La IA era el tema candente de 2024, entonces, ¿cómo está evolucionando? ¿Qué estamos viendo en AI hoy y qué esperamos ver en los próximos 12-18 meses? Le preguntamos a Andrew Brust, Chester Conforte, Chris Ray, Dana Hernández, Howard Holton, Ivan McPhee, Seth Byrnes, Whit Walters y William McKnight. ¿Dónde están el éxito de los casos de uso de IA? Chester: Veo personas aprovechando la IA más allá de la experimentación. La gente ha tenido la oportunidad de experimentar, y ahora estamos llegando a un punto en el que se desarrollan casos de uso verticales y verticales. He estado rastreando de cerca la atención médica y viendo más modelos de uso específicos de casos de uso, como el uso de IA para ayudar a los médicos a estar más presentes durante las conversaciones de los pacientes a través de herramientas auditivas para escuchar y tomar notas. Creo que ‘Small es el nuevo Big’, esa es la tendencia clave, como la hematología versus la patología versus la pulmonología. La IA en las tecnologías de imágenes no es nueva, pero ahora está llegando a la vanguardia con los nuevos modelos utilizados para acelerar la detección del cáncer. Tiene que estar respaldado por un profesional de la salud: la IA no puede ser la única fuente de diagnósticos. Un radiólogo necesita validar, verificar y confirmar los hallazgos. Dana: En mis informes, veo la IA aprovechada efectivamente desde una perspectiva específica de la industria. Por ejemplo, los proveedores centrados en las finanzas y los seguros están utilizando IA para tareas como prevenir delitos financieros y automatizar procesos, a menudo con modelos de idiomas especializados y más pequeños. Estos modelos de IA específicos de la industria son una tendencia significativa que veo que continúa el próximo año. William: Estamos viendo ciclos reducidos en áreas como el desarrollo de la tubería y la gestión de datos maestros, que se están volviendo más autónomos. Un área que gana tracción es la observabilidad de los datos: 2025 podría ser su año. Andrew: Generation AI está funcionando bien en la generación de códigos: generar consultas SQL y crear interfaces de lenguaje natural para consultar datos. Eso ha sido efectivo, aunque ahora está un poco comercializado. Más interesantes son los avances en la capa de datos y la arquitectura. Por ejemplo, Postgres tiene un complemento de la base de datos vectorial, que es útil para consultas de generación acuática (RAG) de recuperación. Veo un cambio del factor «wow» de las demostraciones al uso práctico, utilizando los modelos y datos adecuados para reducir las alucinaciones y hacer que los datos sean más accesibles. Durante los próximos dos o tres años, los proveedores pasarán de la inteligencia de consulta básica a la creación de herramientas más sofisticadas. ¿Cómo es probable que evolucionen los modelos de idiomas grandes? WHIT: A nivel mundial, veremos modelos de IA conformados por valores culturales y políticos. Se trata menos de desarrollos técnicos y más de lo que queremos que haga nuestro AIS. Considere el XAI de Elon Musk, basado en Twitter/X. No tiene censura, es diferente de Google Gemini, que tiende a darle una conferencia si hace la pregunta incorrecta. Diferentes proveedores, geografías y gobiernos tenderán a avanzar hacia el discurso libre o buscarán controlar los resultados de la IA. La diferencia es notable. El año que viene, veremos un aumento en los modelos sin barandillas, lo que proporcionará respuestas más directas. IVAN: También hay mucho enfoque en las indicaciones estructuradas. Un ligero cambio en el fraseo, como usar «detallado» versus «integral», puede generar respuestas muy diferentes. Los usuarios deben aprender a usar estas herramientas de manera efectiva. WHIT: De hecho, la ingeniería rápida es crucial. Dependiendo de cómo las palabras estén incrustadas en el modelo, puede obtener respuestas drásticamente diferentes. Si le pide a la IA que explique lo que escribió y por qué, lo obliga a pensar más profundamente. Pronto veremos herramientas de solicitación entrenadas por dominio, modelos agénticos que pueden ayudar a optimizar las indicaciones para obtener mejores resultados. ¿Cómo se basa y avanza la IA en el uso de datos a través de análisis e inteligencia empresarial (BI)? Andrew: Data es la base de la IA. Hemos visto cómo la IA generativa sobre grandes cantidades de datos no estructurados puede conducir a alucinaciones, y los proyectos se están desechando. Estamos viendo mucha desilusión en el espacio empresarial, pero está llegando el progreso: estamos comenzando a ver un matrimonio entre IA y BI, más allá de la consulta del lenguaje natural. Existen modelos semánticos en BI para hacer que los datos sean más comprensibles y pueden extenderse a datos estructurados. Cuando se combinamos, podemos usar estos modelos para generar experiencias útiles similares a chatbot, extrayendo respuestas de fuentes de datos estructuradas y no estructuradas. Este enfoque crea resultados de uso empresarial al tiempo que reduce las alucinaciones a través de mejoras contextuales. Aquí es donde la IA se volverá más basada, y la democratización de datos será más efectiva. Howard: De acuerdo. Bi aún no ha funcionado perfectamente durante la última década. Aquellos que producen BI a menudo no entienden el negocio, y el negocio no comprende completamente los datos, lo que lleva a la fricción. Sin embargo, esto no puede ser resuelto solo por Gen AI, requiere una comprensión mutua entre ambos grupos. Forzar enfoques basados ​​en datos sin esto no lleva a las organizaciones muy lejos. ¿Qué otros desafíos estás viendo que podría obstaculizar el progreso de AI? Andrew: La euforia sobre IA ha desviado la mentalidad y presupuestado los proyectos de datos, lo cual es lamentable. Las empresas necesitan verlos como lo mismo. WHIT: También está la burbuja de inicio de IA: muchas startups, demasiada financiación, quemando efectivo sin generar ingresos. Se siente como una situación insostenible, y veremos que estalló un poco el próximo año. Hay tanta rotación, y mantenerse al día se ha vuelto ridículo. Chris: Relacionado, estoy viendo a los proveedores construir soluciones a «Secure» Genai / LLMS. Las pruebas de penetración como proveedores de servicio (PTAA) están ofreciendo pruebas centradas en LLM, y la protección de aplicaciones nativas de nube (CNAPP) tiene proveedores que ofrecen controles para LLM implementados en cuentas en la nube de clientes. No creo que los compradores hayan comenzado a comprender cómo usar LLM de manera efectiva en la empresa, sin embargo, los proveedores están presionando nuevos productos/servicios para «asegurarlos». Esto está listo para estallar, aunque algunos productos/servicios de seguridad «LLM» impregnan. SETH: En el lado de seguridad de la cadena de suministro, los proveedores están comenzando a ofrecer análisis de modelos de IA para identificar modelos utilizados en entornos. Se siente un poco avanzado, pero está empezando a suceder. William: Otro factor inminente para 2025 es la Ley de datos de la UE, que requerirá que los sistemas de IA puedan apagar con el clic de un botón. Esto podría tener un gran impacto en el desarrollo continuo de la IA. La pregunta del millón de dólares: ¿Qué tan cerca estamos de la inteligencia general artificial (AGI)? WHIT: AGI sigue siendo un sueño imposible. No entendemos la conciencia lo suficientemente bien como para recrearla, y simplemente arrojar poder de cálculo al problema no hará algo consciente, solo será una simulación. Andrew: Podemos progresar hacia AGI, pero debemos dejar de pensar que predecir la siguiente palabra es inteligencia. Es solo una predicción estadística, una aplicación impresionante, pero no realmente inteligente. Whit: Exactamente. Incluso cuando la IA modela «razón», no es un verdadero razonamiento o creatividad. Solo están recombinando lo que han sido entrenados. Se trata de cuán lejos puede empujar la combinatoria en un conjunto de datos determinado. ¡Gracias a todos!