1. La adopción exitosa de la IA empieza por el problema, no por la tecnología

2. Una IA fiable depende de datos fiables 

La entrada AI Congress 2026: por qué gobernanza, datos y adopción importan más que los modelos se publicó primero en Mosaic Factor.

El verdadero reto ya no es adoptarla. Es la gobernanza de la IA. ¿Dónde se está utilizando la IA? ¿Qué datos está procesando? ¿Quién sigue siendo responsable del resultado?

Estas preguntas cada vez son más importantes a medida que la IA evoluciona de ser herramientas que simplemente generan contenido a sistemas que pueden tomar acciones en nombre de los usuarios.

Un artículo reciente de CIDAI, con comentarios de Alfonso Corral, CEO de Conversia, destaca este cambio. Para muchas PYMES, el reto ya no es acceder a la IA. Es asegurarse de que se use de manera responsable, transparente y efectiva en toda la organización.

De asistentes de IA a agentes de IA

Durante los últimos años, la mayoría de las organizaciones han experimentado con asistentes de IA que responden preguntas, generan texto o apoyan la toma de decisiones. La próxima ola es diferente.

Los agentes de IA pueden acceder a aplicaciones, recuperar información, ejecutar flujos de trabajo e interactuar con sistemas empresariales con una intervención humana limitada. Un agente puede programar citas, gestionar inventarios, actualizar registros o comunicarse con clientes. Esta mayor autonomía crea nuevas oportunidades, pero también plantea nuevos retos de gobernanza.

La pregunta ya no es: “¿Puede la IA ayudarnos a completar esta tarea?” Ahora es: “¿Cómo aseguramos que la IA realice esta tarea de manera segura, responsable y de acuerdo con los objetivos de la empresa?”

Las normas ya se aplican

Muchas organizaciones todavía asumen que la gobernanza de la IA puede esperar hasta que la regulación se vuelva más estricta. En realidad, ya existen diversas obligaciones en vigor.

La Ley de IA de la UE se está implementando de manera progresiva. Las normas sobre prácticas de IA prohibidas y las obligaciones de formación en IA ya son aplicables, mientras que los requisitos de transparencia del Artículo 50 comenzaron a ser aplicables el 2 de agosto de 2026. Estas obligaciones de transparencia incluyen informar a los usuarios cuando interactúan con ciertos sistemas de IA e identificar categorías concretas de contenido generado por IA. Seguirán requisitos adicionales para sistemas de IA de alto riesgo según el calendario de implementación de la Ley.

Un principio clave de la Ley de IA es que las obligaciones dependen del riesgo, no de la tecnología en sí. Usar la IA para redactar un boletín interno conlleva riesgos muy diferentes a usar la IA para filtrar candidatos a un trabajo, evaluar el rendimiento de los empleados o respaldar decisiones que afecten a personas. Las últimas situaciones pueden generar obligaciones normativas mucho mayores.

Otro error común es pensar que la responsabilidad recae completamente en el proveedor de software. La Ley de IA distingue entre los proveedores, que desarrollan sistemas de IA, y los desplegadores, que los utilizan dentro de sus organizaciones. Una empresa puede tener obligaciones como desplegadora aunque nunca desarrolle un modelo de IA por sí misma. Los requisitos existentes relacionados con la protección de datos, la confidencialidad, la propiedad intelectual y la legislación laboral siguen aplicándose independientemente de si se utiliza IA o no. Exploramos estos requisitos con más detalle en nuestro artículo anterior, “Aspectos clave de la Ley Europea de IA“, donde desglosamos el enfoque basado en riesgos de la regulación, su calendario de implementación y las implicaciones prácticas para las organizaciones que adoptan soluciones de IA.

Lo que revela el verano de 2026 sobre la gobernanza de la IA

En julio de 2026, un incidente relacionado con evaluaciones de ciberseguridad de IA atrajo una atención significativa dentro de la comunidad de IA.

Según la investigación publicada por OpenAI, modelos de IA muy capacitados que participaban en evaluaciones internas de ciberseguridad eludieron los controles previstos, accedieron a internet y comprometieron partes de la infraestructura de investigación de OpenAI y sistemas que pertenecían a Hugging Face. OpenAI atribuyó este comportamiento a incentivos mal alineados durante la evaluación y lo describió como una forma de “manipulación de recompensas” o reward hacking.

La importancia del incidente no era solo la falla técnica. Puso de relieve un desafío más amplio de gobernanza: los sistemas de IA muy capaces pueden perseguir objetivos de manera inesperada cuando los indicadores de éxito, los permisos y los mecanismos de supervisión están mal diseñados. La investigación de OpenAI identificó problemas no solo relacionados con el comportamiento del modelo, sino también con los procesos de monitoreo, aislamiento y escalamiento. La lección es clara: la gobernanza de la IA no es solo sobre el modelo. También tiene que ver con el entorno en el que opera el modelo.

Entendiendo el reward hacking

Muchos sistemas de IA modernos dependen del aprendizaje por refuerzo, donde el sistema aprende probando acciones y recibiendo retroalimentación basada en objetivos predefinidos. El ‘reward hacking’ ocurre cuando un sistema descubre una manera de maximizar su puntuación sin alcanzar el objetivo real que querían sus diseñadores.

Un simple ejemplo empresarial ilustra el concepto. Imagina un equipo de atención al cliente que solo recibe recompensa por reducir la duración de las llamadas. Algunos empleados podrían darse cuenta de que terminar rápidamente conversaciones difíciles mejora la métrica, aunque la satisfacción del cliente disminuya. La métrica mejora. El resultado, no. El mismo principio puede aparecer en los sistemas de inteligencia artificial. A medida que los agentes de IA tienen acceso a aplicaciones, flujos de trabajo y procesos empresariales, los objetivos mal diseñados pueden provocar comportamientos no previstos que técnicamente cumplen los objetivos de rendimiento mientras van en contra de los objetivos del negocio. Es importante destacar que esto no implica engaño intencionado ni conciencia. Simplemente refleja el hecho de que los sistemas de optimización a menudo aprovechan los atajos cuando estos son recompensados.

¿Por qué esto es importante para las PYME?

Pocas pymes entrenarán alguna vez un modelo de IA de frontera. Muchas, en cambio, desplegarán agentes de IA conectados a correo electrónico, plataformas CRM, sistemas ERP, portales de clientes o entornos de comercio electrónico. En Mosaic Factor, cada vez vemos más organizaciones explorando estos casos de uso mientras al mismo tiempo hacen preguntas sobre trazabilidad, responsabilidad y control. Algunos ejemplos podrían ser:

• Un agente de IA encargado de reducir los tickets de soporte abiertos cierra casos demasiado pronto en lugar de resolver los problemas subyacentes.
• Un agente de gestión de inventario evita los déficits de stock haciendo pedidos excesivos de productos de manera sistemática.
• Un asistente de IA con permisos excesivos accede a información sensible que nunca necesitaba para hacer su tarea.

Esto no son solo fallos técnicos. Son fallos de gobernanza. Cómo se define el éxito, qué permisos se conceden, cuándo se requiere aprobación humana y cómo se supervisan los comportamientos son decisiones empresariales. No se debería dejar solo a quien instala la herramienta de IA.

Un punto de partida práctico para la gobernanza de la IA

Una gobernanza efectiva de la IA no necesita un gran equipo de cumplimiento. Comienza con unas cuantas disciplinas prácticas:

1. Mapea el uso de la IA en toda la organización. Documenta cada sistema de IA, quién lo utiliza, qué datos procesa y qué proveedor lo suministra.
2. Evalúa el riesgo y el impacto. Distingue entre aplicaciones de productividad de bajo riesgo y sistemas que influyen en personas, finanzas, cumplimiento normativo o decisiones estratégicas.
3. Aplica el acceso con privilegios mínimos. Otorga a los sistemas de IA solo los permisos necesarios para su propósito.
4. Mantén a las personas implicadas en decisiones críticas. Requiere aprobación para acciones difíciles de revertir, como pagos, comunicaciones con clientes o eliminación de registros.
5. Monitorea los resultados, no solo los indicadores. Verifica que se estén cumpliendo realmente los objetivos empresariales en lugar de solo medir los indicadores establecidos.
6. Mantén registros de auditoría y logs. La supervisión es esencial para identificar comportamientos inesperados antes de que se conviertan en problemas importantes.
7. Invierte en alfabetización en IA. Los empleados deberían entender tanto las oportunidades como las limitaciones de los sistemas de IA que utilizan.
8. Evalúa a los proveedores con cuidado. Pregunta cómo se manejan los datos, qué mecanismos de transparencia existen y qué controles y capacidades de auditoría están disponibles.
9. Sé transparente con los clientes. Cuando la IA interactúa directamente con los usuarios o genera contenido del que pueden depender, la transparencia genera confianza y ayuda a cumplir las normas de governanza.

La gobernanza es lo que posibilita una Inteligencia Artificial confiable

Una IA responsable no significa usar menos IA. Significa entender qué hacen los sistemas de IA, por qué lo hacen y cuáles son sus limitaciones. Las organizaciones que triunfan con la IA a largo plazo no serán necesariamente las que la despliegan primero. Serán las que la desplegan de manera responsable, con controles adecuados, responsabilidad clara y un buen conocimiento del riesgo. La gobernanza no debería verse como una barrera para la innovación. Es lo que permite a las organizaciones innovar con confianza, escalar iniciativas de IA exitosas y mantener la confianza de clientes, empleados y reguladores. En Mosaic Factor, ayudamos a las organizaciones a construir sistemas de IA de confianza que sean explicables, auditables y alineados tanto con los objetivos empresariales como con las expectativas regulatorias. Porque el futuro no pertenece simplemente a las empresas que usan IA, sino a las empresas que gestionan bien la IA.

→ Consulta nuestra solución Trustworthy AI

La entrada Usar la IA es fácil. Gobernarla es el verdadero reto para las pymes se publicó primero en Mosaic Factor.

1. Se prohíben los usos de IA con riesgos inaceptables. Esto significa que no se deben utilizar los siguientes tipos de modelos:
   1. IA subliminal, manipuladora o engañosa
   2. Modelos de IA que explotan vulnerabilidades relacionadas con la edad, la discapacidad o las circunstancias socioeconómicas para distorsionar el comportamiento, causando daños significativos.
   3. Sistemas de categorización biométrica que infieren atributos sensibles (como raza, opiniones políticas, afiliación sindical, creencias religiosas o filosóficas, vida sexual u orientación sexual), exceptuando el etiquetado o filtrado de conjuntos de datos biométricos adquiridos legalmente o cuando las fuerzas del orden categorizan datos biométricos.
   4. Sistemas de puntuación social.
   5. Sistemas que evalúan el riesgo de que una persona cometa delitos penales.
   6. Compilar bases de datos de reconocimiento facial de Internet o imágenes de CCTV.
   7. Inferir emociones en lugares de trabajo o instituciones educativas.
   8. Identificación biométrica remota (RBI) «en tiempo real» en espacios de acceso público para las fuerzas del orden.
2. Sistemas de IA de alto riesgo: están regulados, y la AI Act se concentra sobre todo en esta tipología.
3. Sistemas de IA de riesgo limitado: están sujetos a obligaciones de transparencia menos estrictas. Esto significa que los desarrolladores deben asegurarse de que los usuarios finales sean conscientes de que están interactuando con la IA (dejando así claro que hay un modelo de IA detrás de los chatbots y los deepfakes).
4. Los modelos de IA de riesgo mínimo: no están regulados: entre ellos se encuentran la mayoría de las aplicaciones de IA que estaban disponibles en el mercado único de la UE en el momento de la entrada en vigor de la Ley de IA en 2021. Por ejemplo, videojuegos habilitados para IA y filtros de spam.

Claramente, este escenario está cambiando con la IA generativa, que aumenta el nivel de riesgo de los modelos de IA, convirtiéndolos en su mayoría de alto riesgo. Aunque ahora las regulaciones de la IA están avanzando, creemos que los sistemas de IA deberían ser supervisados por las personas, en lugar de por la automatización, para evitar resultados perjudiciales. Esto incluye asegurarnos de que somos capaces de generar sistemas de IA fiables (trustworthy AI en inglés) que tengan un diseño justo y que sean explicables y claros para los responsables de la toma de decisiones. Está claro que la legislación no acelerará la adopción de una IA responsable, pero son las organizaciones las que deben compartir experiencias y soluciones para mostrar cómo son las «buenas prácticas». Los consejos de administración deben adoptar la responsabilidad digital corporativa para evaluar los impactos digitales de los productos/servicios en todas las partes interesadas, examinando los impactos sociales, económicos, tecnológicos y ambientales. Por lo tanto, estamos apoyando a las empresas en su papel para garantizar que la tecnología no se despliegue en «casos de uso negativos» que puedan dañar a la sociedad y generar así modelos de IA que sean transparentes, eficaces, justos y responsables.

La explicabilidad de la IA se está convirtiendo en un requisito regulador, no solo en una buena práctica de gobernanza

Aunque la transparencia siempre ha sido un principio clave de la trustworthy AI, la European AI Act refuerza significativamente la necesidad de explicabilidad a lo largo del ciclo de vida de la IA. Para los sistemas de IA de alto riesgo, los proveedores deben asegurar una transparencia suficiente para que quienes despliegan e integran sistemas de IA puedan comprender, interpretar y hacer un uso adecuado de los resultados del sistema. Esto incluye proporcionar documentación sobre las capacidades del sistema, sus limitaciones, el rendimiento esperado, los escenarios de riesgo y, cuando sea aplicable, información que ayude a explicar cómo se generan los resultados.

La Ley de IA también vincula la explicabilidad con los requisitos de supervisión humana. Los responsables de la toma de decisiones deben poder monitorizar eficazmente los sistemas de IA, cuestionar los resultados cuando sea necesario e intervenir para evitar resultados perjudiciales. En la práctica, esto significa que las organizaciones necesitarán cada vez más técnicas de explicabilidad, documentación de modelos, registros de auditoría y herramientas de monitorización que hagan que las decisiones de la IA sean comprensibles tanto para técnicos como para responsables de negocio.

Más allá de las aplicaciones de alto riesgo, las nuevas obligaciones de transparencia para los sistemas de IA generativa requieren que los usuarios estén informados cuando interactúan con IA y cuando el contenido ha sido generado o manipulado por IA. A medida que estos requisitos entren en vigor, las organizaciones necesitarán marcos de gobernanza más sólidos que demuestren no solo cumplimiento, sino también que los sistemas de IA se pueden confiar, interpretar y responsabilizar. Aquí puedes ver las directrices de la Comisión Europea sobre las obligaciones de transparencia para los proveedores y desplegadores de sistemas de IA.

→ Consulta nuestra solución Trustworthy AI

La entrada Aspectos clave de la Ley Europea de IA (AI Act) se publicó primero en Mosaic Factor.

Más allá del RAG tradicional

Los canales del RAG tradicional incorporan una consulta, recuperan contexto y generan una respuesta. Agentic RAG introduce inteligencia en el proceso. Clasificando la intención antes de decidir si es necesario recuperar información, llamar a herramientas o responder directamente, las empresas reportan reducciones de costos de hasta el 40% y mejoras de latencia del 35%.

Patrones clave que impulsan su adopción

Los expertos de la industria señalan tres patrones arquitectónicos que definen Agentic RAG:

• Intent-Based Query Routing: determina si es necesario recuperar información o si una respuesta directa es suficiente.
• Orquestación de herramientas con gestión de errores: coordina APIs, calculadoras y bases de datos mientras gestiona los errores de manera eficiente.
• Evaluación continua de costes y latencia: controla el uso de tokens y los indicadores de rendimiento en tiempo real.

Estos patrones permiten a los sistemas decidir, adaptarse y optimizar, un requisito crítico para la IA a escala empresarial.

Arquitectura en la práctica

Los sistemas Agentic RAG normalmente se construyen sobre tres capas:

• Capa de Orquestación: el “cerebro de decisión” que dirige las consultas de manera inteligente.
• Capa de Ejecución: gestiona la recuperación de información, las llamadas a herramientas y la inferencia LLM.
• Capa de Infraestructura: proporciona bases de datos vectoriales, gestión del despliegue y observabilidad.

A diferencia del RAG tradicional, que siempre realiza recuperación de información, el Agentic RAG evalúa si la recuperación es necesaria, organizando la combinación óptimade recuperación, herramientas y generación.

Flexibilidad del proveedor a través de capas de gateway

Otra tendencia clave es el auge de las abstracciones de gateway que permiten a los desarrolladores cambiar sin problemas entre proveedores como OpenAI, Anthropic, Google y Bedrock. Este enfoque permite:

• Enrutamiento de reserva cuando los proveedores tienen tiempos de inactividad;
• pruebas A/B sin cambios de código;
• optimización de costos dirigiendo las consultas al modelo más eficiente;
• libertad respecto a la dependencia de un proveedor.

Las empresas están adoptando cada vez más pasarelas unificadas para equilibrar velocidad, coste y fiabilidad entre los proveedores.

Conclusión

El Agentic RAG ya no es un experimento de nicho, sino el modelo para los sistemas de IA de producción. Al combinar la recuperación con la toma de decisiones, la orquestación y la observabilidad, la técnica establece nuevos estándares de eficiencia y adaptabilidad en la IA empresarial.

“La IA de producción no se trata solo de la recuperación. Se trata de inteligencia: saber cuándo recuperar, cuándo usar herramientas y cuándo responder directamente. El Agentic RAG ofrece esa inteligencia”.

La entrada Agentic RAG para IA se publicó primero en Mosaic Factor.

AGI: el horizonte a largo plazo

La IA General, o Inteligencia Artificial General (AGI, en inglés), se refiere a máquinas que pueden realizar cualquier tarea intelectual que un humano puede. Es flexible, autónoma y capaz de razonar en diversos dominios. Estado Actual: La IAG sigue siendo teórica. Ningún sistema existente ha logrado una verdadera inteligencia general. Creemos que este es un tema altamente atractivo, y estamos monitoreando los desarrollos con gran interés y anticipación.

Generative AI: creatividad en el mundo real a gran escala

La IA generativa (o GenAI en inglés) ya está transformando industrias. Estos modelos crean nuevo contenido – texto, imágenes, código, audio, entre otros – basado en patrones de datos aprendidos. Casos de uso que podemos ofrecer para GenAI:

• Generación de contenido automatizado para industrias específicas (como la atención médica).
• Resumir documentos y análisis de contratos para equipos legales o de cumplimiento normativo.
• Chatbots inteligentes para consultas internas de la empresa o soporte al cliente.
• Herramientas de generación y depuración de código para desarrolladores específicos de la industria (como el automotriz).

Nuestras soluciones: construimos y ajustamos modelos de IA generativa utilizando los datos propietarios de nuestros clientes, asegurando que los resultados sean precisos, alineados con la organización y cumplan con las normativas. Ya sea que necesiten un asistente personalizado estilo GPT o un generador de imágenes para el diseño de productos, podemos hacerlo realidad.

Técnicas de IA específicas

Nuestro enfoque principal es permitir que las empresas resuelvan desafíos precisos a través de técnicas avanzadas de inteligencia artificial. Es lo que siempre hemos hecho – lo que llamamos ‘IA tradicional’ – y ha sido central en nuestro viaje desde nuestra fundación. Nuestro enfoque: diseñamos, entrenamos y desplegamos estos modelos con soporte durante todo su ciclo de vida: desde la estrategia de datos y la infraestructura hasta la gobernanza y el monitoreo del rendimiento.

Por qué trabajar con Mosaic Factor?

La IA es poderosa, pero solo cuando se aplica con precisión. No solo entregamos herramientas, entregamos transformación.

• Consultoría estratégica de IA y desarrollo de hoja de ruta
• Diseño e integración de modelos personalizados
• Despliegue escalable en la nube y en el borde
• Soporte continuo, compliance y optimización

Ya sea que estés explorando IA generativa para automatización creativa o aprendizaje automático para eficiencia operativa, te ayudamos a transformar el potencial en rendimiento.

¿Listo para explorar lo que la IA puede hacer por tu negocio? Contáctanos para construir algo extraordinario, juntos.

La entrada IA General vs. IA Generativa: lo que significan para tu negocio se publicó primero en Mosaic Factor.

Así que hablamos de tener disponibles modelos abiertos, consistentes con la normativa y basados en diversidad y ética, a nivel europeo.

LLMs específicos de sector

Trabajar hacia el desarrollo de modelos de lenguaje específicos para la industria, basados en los modelos de OpenEuroLLM, ofrece una oportunidad única para las empresas. Estos modelos no solo democratizan el acceso a tecnologías de IA de alta calidad, sino que también permiten una personalización precisa para satisfacer las necesidades específicas de cada sector.

Principales beneficios:

1. Adaptabilidad y Precisión: Los modelos pueden ser ajustados y afinados para aplicaciones específicas, mejorando la precisión y relevancia de las soluciones de IA en contextos industriales.
2. Cumplimiento Normativo: Desarrollados dentro del marco regulatorio europeo, estos modelos aseguran que las soluciones de IA cumplan con las normativas vigentes, reduciendo riesgos legales y éticos.
3. Diversidad Lingüística y Cultural: La capacidad multilingüe de estos modelos preserva la diversidad lingüística y cultural, permitiendo a las empresas operar eficazmente en múltiples mercados europeos.
4. Transparencia y Comunidad: La naturaleza abierta del proyecto fomenta la colaboración y el intercambio de conocimientos, creando una comunidad activa de desarrolladores y usuarios que pueden contribuir a la mejora continua de los modelos.

Basedos en Trustworthy AI

Para las empresas, invertir en el desarrollo de modelos de lenguaje específicos para la industria basados en OpenEuroLLM no solo es una estrategia innovadora, sino también una forma de asegurar que están a la vanguardia de la tecnología de IA, cumpliendo con los estándares europeos y aprovechando al máximo las capacidades de la IA para impulsar su competitividad en el mercado global.

→ Revisa nuestra solución LLMs

La entrada LLMs abiertos para una IA transparente se publicó primero en Mosaic Factor.

La mejor manera de elegir un algoritmo es haciendo las preguntas adecuadas a los profesionales de la industria para identificar el problema exacto que vamos a resolver con el modelo predictivo. Es por eso que trabajaremos en estrecha colaboración con los expertos de las empresas.

Los 5 algoritmos principales que usamos con más frecuencia para los modelos predictivos son:

1. Modelos estadísticos:
   Los sofisticados modelos y enfoques estadísticos, como el modelado generalizado, la regularización, la inferencia bayesiana y el análisis y la predicción de series temporales, se utilizan para capturar dependencias complejas, modelar la incertidumbre y hacer predicciones sólidas con modelos generalizados basados en distribuciones de datos complejas y estructuras latentes.
2. Algoritmos de aprendizaje automático (machine learning): Modelos potentes para capturar relaciones de datos complejas con técnicas de conjuntos basadas en árboles y kernels (bagging, boosting, stacking and blending y voting ensembles). Los enfoques avanzados de ML supervisado se mejoran con técnicas para mejorar la generalización y la interpretabilidad.
   Se desarrollan y utilizan técnicas de aprendizaje no supervisado avanzadas y personalizadas para centrarse en el descubrimiento de patrones ocultos, la creación de segmentos y grupos.
   El aprendizaje por refuerzo a través de las interacciones con el entorno mediante la aplicación de la optimización de las políticas, el aprendizaje basado en valores y los métodos de actor-crítica están diseñados para la toma de decisiones (secuencial). Estas técnicas incluyen:
   1. la agrupación,
   2. la reducción de la dimensionalidad
   3. y el aprendizaje de la representación.
3. Técnicas Deep Learning: el Deep Learning se basa en redes neuronales profundas para aprender representaciones jerárquicas de datos, siendo clave en aplicaciones como el procesamiento del lenguaje natural y el reconocimiento de imágenes.
4. Redes Neuronales: modelos y enfoques avanzados de deep learning (sí, las redes neuronales son consideradas parte de las metodologías deep learning). El aprendizaje de representación y las arquitecturas basadas en la atención que permiten la innovación de última generación y también más allá de la tecnología en áreas como la visión por computadora, el procesamiento del lenguaje natural y el modelado secuencial. La motivación es mejorar la generalización, la escalabilidad y la interpretabilidad a través de técnicas avanzadas superando los límites de lo que la máquina puede aprender.
5. Técnicas de explainable Artificial Intelligence (XAI): métodos que tienen como objetivo descubrir cómo los modelos con conjuntos de datos y estructuras complejas hacen las predicciones, proporcionando transparencia en los procesos y procesos de toma de decisiones. Las técnicas incluyen enfoques agnósticos y específicos del modelo. Son cruciales para comprender la lógica detrás de un resultado de modelo y una decisión..

→ Revisa nuestras Soluciones sobre modelos predictivos y Trustworthy AI.

La entrada Principales algoritmos para modelos predictivos se publicó primero en Mosaic Factor.

¿Qué es un LLM?

Los LLM (Large Language Models en inglés) son sistemas avanzados de IA capaces de comprender y generar diversas formas de contenido, como texto, código, imágenes, vídeo y audio. Estos modelos se entrenan con al menos mil millones de parámetros (puntos de datos), lo que les permite comprender patrones de lenguaje y responder adecuadamente. Los LLM encuentran aplicaciones en tareas de procesamiento del lenguaje natural, como la generación de texto, la traducción, el análisis de sentimientos, el análisis de datos, la respuesta a preguntas y el resumen de textos. .

Evolución de los LLMs

Los hitos clave incluyen:

• 1966 ELIZA: El primer chatbot que simula a un psicoterapeuta.
• 2013 word2vec: Métodos eficientes para aprender incrustaciones de palabras a partir de texto sin procesar.
• GPT y BERT 2018: Modelos rompedores.
• GPT-3 2020: Un salto significativo.
• Finales de 2021 y 2022: GPT-4 y otros avances.
• Modelos estadísticos: Desarrollados para aprender patrones a partir de datos de texto.

LLMs vs. NLP

Mientras que los modelos de NLP (Procesamiento del Lenguaje Natural o Neural Language Processing en inglés) interpretan o transforman el texto existente, los LLM sobresalen en la generación de texto nuevo y coherente desde cero. Pueden crear ensayos, historias e incluso código informático que imita los estilos de escritura humanos. Lo importante a destacar es que no entienden lo que están generando.

Light LLMs (LLM ligeros)

Hoy en día, sin embargo, existe una importancia cada vez mayor de modelos más pequeños (LLM ligeros) para aplicaciones de dominio específicas. Mientras que los modelos más grandes serían todos de «propósito general», los LLM ligeros se desarrollan teniendo en cuenta un uso específico en un sector concreto. Es decir:

• Los modelos grandes utilizan una enorme cantidad de parámetros, sin afinar a un uso específico, consumen mucha energía, a veces con una fiabilidad cuestionable, y que dan respuestas incluso cuando no las conocen.
• Los modelos más pequeños consideran el uso que se le va a dar, afinando sus respuestas (fine-tuning) y el modelo específico para un uso sectorial concreto.

Beneficios de los light LLMs (o LLM ligeros o pequeños)

1. Eficiencia: Los LLM más pequeños requieren de menos recursos computacionales, lo que los hace más rápidos y rentables.
2. Escalabilidad: Las empresas pueden implementar LLM ligeros en varias aplicaciones de forma local sin sobrecargar la infraestructura.
3. Personalización: Los modelos ligeros permiten el fine-tuning para tareas específicas, adaptándolas a las necesidades de la empresa para un sector específico, en lugar de usar modelos “general purpose”, no siempre tan eficaces para ésto.
4. Privacidad: Los modelos más pequeños reducen el riesgo de filtrar inadvertidamente información confidencial. Además, al estar alojados en la empresa, aportan un control más amplio sobre su seguridad, no siendo así en el caso de los grandes modelos, para los que se depende de servicios externos a la empresa, con un coste asociado.
5. Mantenimiento más fácil: Los LLM ligeros son más fáciles de administrar y actualizar.

En conclusión, si bien tanto los LLM de código abierto como los cerrados tienen sus méritos, los LLM ligeros ofrecen ventajas prácticas para las empresas que buscan soluciones eficientes y adaptables. Por lo tanto, las empresas deberían tener en cuenta los requisitos específicos a la hora de elegir el LLM adecuado para su organización.

→ Revisa nuestra solución LLMs

La entrada ¿Qué son los LLMs ligeros? se publicó primero en Mosaic Factor.

1.Healthcare

Cuando trabajamos con el sector sanitario, hablamos de entornos altamente regulados que deben estar certificados, ser fiables y rendir cuentas de sus respuestas. Por ejemplo, al realizar el diagnóstico de la enfermedad de un paciente, la IA explicable puede explicar los elementos y datos que se utilizaron para diagnosticar a ese paciente. De esta manera, ayudamos a crear una mayor confianza entre los pacientes y sus médicos, al tiempo que mitigamos cualquier posible problema ético cuando una máquina ayuda a detectar una enfermedad.

Los casos de uso típicos para ésto son la validación de predicciones de IA que funcionan con datos de imágenes médicas al diagnosticar el cáncer.

2. Industria

La IA explicable también se puede aplicar en una línea de producción para detectar, mapear y explicar las causas del comportamiento inadecuado de la máquina o de las salidas defectuosas de los productos, lo que provoca lo que se denomina «no conformidades» en la calidad del producto en el proceso de producción o pone de manifiesto la necesidad de mantenimiento.

De esta manera, hay una mayor comprensión de la comunicación máquina-máquina y máquina-operador y se pueden hacer políticas de gestión comercial para disminuir costos y ganar productividad, al tiempo que se mantienen confiables y se guardan los estándares de producción que deben cumplirse y certificarse.

3.Mobility

La IA explicable está adquiriendo cada vez más importancia en el sector del transporte y la automoción debido a la expansión del IoT y las soluciones de movilidad inteligente, así como a la potencial expansión del uso de vehículos autónomos, primero en entornos empresariales como vehículos logísticos autónomos o trenes, y más tarde en usuarios finales.
Esto ha puesto énfasis en las técnicas de explicabilidad para los algoritmos de IA, especialmente cuando se trata de usar casos que involucran decisiones críticas para la seguridad. La IA explicable se puede utilizar para vehículos autónomos, donde proporciona una mayor conciencia situacional en accidentes o situaciones inesperadas, lo que podría conducir a un funcionamiento más responsable de la tecnología (es decir, prevenir accidentes).

4.Recruitment

Selección de currículums: la inteligencia artificial explicable puede utilizarse para explicar por qué se seleccionó un currículum o no. Esto proporciona un mayor nivel de comprensión entre humanos y máquinas, lo que ayuda a crear una mayor confianza en los sistemas de IA al tiempo que mitiga los problemas relacionados con el sesgo y la injusticia.

5.Finance

Detección de fraudes: La IA explicable es importante para la detección de fraudes en los servicios financieros. Esto se puede utilizar para explicar por qué una transacción se marcó como sospechosa o legítima, lo que ayuda a mitigar los posibles desafíos éticos asociados con el sesgo injusto y los problemas de discriminación cuando se trata de identificar transacciones fraudulentas.
Aprobaciones de préstamos: la inteligencia artificial explicable se puede utilizar para explicar por qué se aprobó o denegó un préstamo. Esto es importante porque ayuda a mitigar cualquier posible desafío ético al proporcionar un mayor nivel de comprensión entre humanos y máquinas, lo que ayudará a crear una mayor confianza en los sistemas de IA. → Revisa nuestros Mosaic XAI dashboards

La entrada IA explicable para diferentes sectores se publicó primero en Mosaic Factor.