El debate se enmarcó en el trabajo más amplio sobre el libro blanco del CIDAI, elaborado a través de su grupo de expertos con contribuciones de actores públicos y privados. Como participantes en este esfuerzo, nos complace haber contribuido a la mesa redonda, donde Stefano Persi compartió ejemplos prácticos y casos prácticos que destacan el papel de la IA y el intercambio fiable de datos en entornos logísticos reales.

Visión del sector

Los volúmenes de transporte de mercancías por ferrocarril se mantienen por debajo de la media europea y una tasa de 5 millones de euros agrava el desafío. El transporte de mercancías por ferrocarril sigue enfrentándose a desafíos operativos y estructurales, a pesar de que se espera un crecimiento significativo de la demanda.

En consonancia con los objetivos de Neutralidad Climática 2050, se proyecta que los volúmenes de transporte de mercancías por ferrocarril se dupliquen en comparación con los promedios históricos recientes. Lograr este crecimiento requerirá no solo inversión en infraestructura, sino también una mejor coordinación, optimización y colaboración en todo el ecosistema logístico.

Desde la perspectiva de CIMALSA, , la multimodalidad es un factor clave para mejorar la eficiencia y la sostenibilidad logística. El modelo óptimo combina el ferrocarril para el transporte de media y larga distancia y el transporte por carretera, principalmente para operaciones de primera y última milla. La IA facilita esta transición al facilitar la reasignación de los flujos de transporte del camión al ferrocarril, optimizando rutas, horarios y el uso de la capacidad. Este enfoque puede reducir significativamente las emisiones en comparación con el transporte exclusivamente por carretera, manteniendo al mismo tiempo la flexibilidad operativa.

El intercambio de datos y el papel de los espacios de datos

Un desafío recurrente identificado es la reticencia de los operadores y agentes logísticos a compartir información. Si bien las preocupaciones sobre la privacidad son legítimas, a menudo limitan la optimización de todo el sistema. Los espacios de datos se destacaron como un factor clave, ya que proporcionan:

• Intercambio seguro de datos y acceso controlado.
• Reglas claras sobre cómo se comparten y utilizan los datos.
• Base técnica para que las herramientas de IA sugieran rutas, calculen costos y simulen escenarios operativos.

Al garantizar la confianza en los datos, los espacios de datos permiten que la IA facilite una mejor toma de decisiones sin comprometer la información empresarial confidencial.

Desafíos del sector logístico

Cinco grandes desafíos configuran el futuro del transporte ferroviario de mercancías y la logística:

• Presión por la sostenibilidad y la descarbonización.
• Resiliencia ante las crisis globales y geopolíticas.
• Congestión urbana y gestión de la última milla.
• Interoperabilidad digital y vulnerabilidades de ciberseguridad.
• Preparación organizativa y transformación tecnológica.

Estos desafíos están estrechamente interconectados y requieren respuestas coordinadas.

Dónde la IA puede aportar valor tangible 

La IA ya está demostrando beneficios mensurables en las operaciones de transporte y distribución, donde puede generar mejoras en eficiencia, costes y sostenibilidad. Para Mosaic Factor, esto incluye proyectos de automatización para la carga y descarga de contenedores en puertos.

A pesar de su potencial, existen barreras que dificultan la adopción de la IA. Estos desafíos incluyen:

• Falta de una estrategia de IA dentro de las organizaciones,
• problemas de gobernanza y fragmentación de datos,
• falta de datos históricos de calidad, dificultad para evaluar el ROI de las iniciativas de IA,
• y un entorno regulatorio complejo e inconsistente. Abordar estas barreras requiere una alineación estratégica más clara entre tecnología, operaciones y regulación.

Los participantes coincidieron en un modelo de tres niveles para el sector:

1. Digitalización: digitalización y automatización básicas, donde el progreso ya es visible.
2. Intercambio de datos: intercambio seguro de datos, que permite la visibilidad de la red.
3. Visibilidad y casos de éxito: más redes que logística y visibilidad de los casos de éxito.

Avanzar en estos niveles es esencial para liberar todo el potencial de la IA en la logística.

Conclusiones

La eficiencia logística depende de la combinación eficaz de innovación, sostenibilidad y regulación. La pregunta clave para los operadores es qué valor se crea al compartir datos. La IA, al combinarse con la multimodalidad y marcos confiables de intercambio de datos, puede mejorar significativamente la eficiencia, la sostenibilidad y la resiliencia de los sistemas de transporte ferroviario de mercancías y logística.

Durante la mesa redonda, Stefano destacó tres proyectos a los que contribuyó Mosaic Factor:

1. Pioneers: Predicción del Transporte de Contenedores (Iniciativa de Puertos Verdes de la UE)
2. Port of Antwerp-Bruges: Predictor del Flujo de Carga
3. Disruptive: Detección y Clasificación de Interrupciones en la Red Logística

En conjunto, estos proyectos muestran el impacto práctico de la IA y la colaboración de datos en operaciones logísticas reales, fundamentando el debate de la mesa redonda de CIDAI en soluciones tangibles.

Clica aquí para leer el documento completo del CIDAI.

La entrada El papel de la IA en la logística multimodal y el transporte ferroviario sostenible 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.

Sesiones clave sobre IA

Agentic AI in the Car: From Orchestration to Agentic Personalisation

• Speaker: Dogukan Sonmez, Project Lead Machine Learning Platform, BMW AG
• Focus: aplicaciones de IA generativa más allá del texto, manejando modelos 3D, flujos de sensores y datos específicos de dominio.
• Highlight: exploró las arquitecturas de sistemas multiagente y las técnicas de orquestación, mostrando cómo la IA agente puede mejorar la eficiencia, la adaptabilidad y la toma de decisiones en los SDV.

Esta sesión reveló enfoques innovadores para integrar la IA en el núcleo mismo de la inteligencia vehicular, convirtiéndola en una de las charlas más vanguardistas del evento.

Scalable Function Deployment for SDV

• Speaker: Michael Niklas-Höret, AUMOVIO

• Focus: la continua (R)evolución de las arquitecturas E/E en los vehículos, desde el enfoque descentralizado centrado en dominios hasta Server Zone y Central Compute/Zero Edge, y el desafío resultante de desplegar funciones a través de estas diversas arquitecturas.
• Highlight: introducción de un nuevo patrón de desarrollo de funciones diseñado para permitir la reutilización de funciones a través de las tres arquitecturas principales (y sus híbridos), con el objetivo de facilitar la migración de los fabricantes de equipos originales (OEM) a nuevas plataformas E/E y aumentar la reutilización entre las líneas de vehículos.

From Code to Car – Accelerating SDV Integration with Shift-Left and CI/CT

• Speaker: Felix Pretscheck, Bosch
• Focus:cómo la introducción de unidades de control electrónico (ECU) de próxima generación, combinada con un enfoque de shift-left, la virtualización y un marco modular de CI/CT (Integración Continua/Pruebas Continuas), está transformando y acelerando el proceso de integración de software y sistemas para Vehículos Definidos por Software (SDV).
• Highlight: mostrando metodologías clave y facilitadores arquitectónicos que optimizan la integración y validación, lo que conduce a una mejor calidad del software, ciclos de integración más rápidos y sistemas automotrices complejos más ágiles, escalables y listos para producción.

Coding for Cars: AI in the Driver’s Seat

• Speaker: Mikhail Vink, VP of Business Development, JetBrains
• Focus: el papel del desarrollo impulsado por IA en industrias reguladas, garantizando la calidad y seguridad del código generado por IA, e integrando la IA en DevOps.
• Highlight: demostró cómo la IA puede agilizar los procesos de codificación mientras mantiene el cumplimiento y los estándares de seguridad.

Between Research and Current Development in ADAS

• Speaker: Khaled Alomari, Manager Connected Vehicles, MHP (A Porsche Company)
• Focus: uniendo la investigación de vanguardia con el desarrollo real de Sistemas Avanzados de Asistencia al Conductor (ADAS).
• Highlight: se enfatizó la colaboración entre el ámbito académico, la industria y los reguladores para acelerar la adopción de ADAS impulsados por IA.

Khaled subrayó el papel fundamental de la IA en la mejora de la seguridad y la eficiencia, haciendo de esta sesión un evento imprescindible para cualquiera interesado en el futuro de los vehículos conectados.

Mastering Complexity with Digital Twins

• Speaker: Ignacio Izaguirre, VP of Product, Concentrio AG
• Focus: aprovechando los gemelos digitales a nivel de señal para la gestión de software.
• Highlight: mostró cómo aplicar la inteligencia artificial a redes de dependencia puede identificar anomalías y vulnerabilidades, mejorando las actualizaciones OTA y la fiabilidad del sistema.

AI-Driven Autonomy in SDVs

• Speaker: Shashank Pathak, Product Management, ZF Friedrichshafen AG
• Focus: cómo la IA permite la percepción, planificación y control en los SDV autónomos.
• Highlight: se discutieron los desafíos de implementar IA en hardware automotriz y las estrategias para una autonomía segura y escalable.

Talleres y sesiones world café

Los talleres «Challenge your peers» reunieron a los participantes en pequeñas mesas redondas moderadas, donde debatimos preguntas urgentes de la industria utilizando inteligencia colectiva y mapas mentales. Los temas abordaron desde cómo evoluciona la prueba de software bajo arquitecturas SDV, el papel de la IA en el desarrollo automotriz y el futuro del cumplimiento de ASPICE, hasta la redefinición de las experiencias dentro del automóvil mediante HMI avanzado y la exploración de la autonomía impulsada por IA. Cada taller animaba a los asistentes a compartir experiencias, cuestionar supuestos y co-crear conceptos de soluciones. De manera similar, el formato World Café proporcionó un entorno dinámico para el aprendizaje entre pares, la creación de redes interindustriales y la generación de ideas accionables que complementaban las presentaciones y estudios de caso más formales.

Nuestras conclusiones

La conferencia destacó que la inteligencia artificial ya no es una herramienta periférica, sino un pilar central en la evolución de los vehículos definidos por software. Desde la personalización agente en BMW hasta los ADAS impulsados por IA en MHP, las sesiones demostraron cómo la inteligencia se está integrando en cada capa de la innovación automotriz. Estas charlas no solo mostraron aplicaciones actuales, sino que también apuntaron hacia un futuro donde los vehículos sean adaptativos, inteligentes y profundamente conectados.

La entrada Conferencia Software-Defined Vehicles Berlin 2025 se publicó primero en Mosaic Factor.

Aquí están las tendencias y desarrollos clave que se destacaron.

Digital Twins como protagonistas

La tecnología Digital Twin (DT) ha sido uno de los temas más destacados en los stands de los expositores. Las ciudades están adoptando cada vez más los DT para simular y gestionar sistemas urbanos complejos. Las aplicaciones más comunes mostradas incluyen:

• Emergency y disaster management
• Human behaviour modelling
• Traffic and parking optimisation
• Energy demand forecasting
• Urban planning, cómo identificar áreas donde se necesitan nuevas instalaciones de cuidado infantil

Varias empresas también presentaron la evolución del concepto Citiverse, parte de una iniciativa europea que integra Digital Twins con ciberseguridad, IoT y otras tecnologías avanzadas (Proyecto Citiverse de la Comisión Europea). Otro punto destacado fue la introducción de los 4D Digital Twins, que incorporan la dimensión temporal para permitir simulaciones urbanas predictivas (Nfold ROI).

Smart Cities y visual Language Models

La innovación en IA fue otro de los grandes focos. NVIDIA presentó su plataforma de Modelo de Lenguaje Visual (VLM) para ciudades, diseñada para transformar los datos de imágenes capturados por sensores en un “cerebro de la ciudad” inteligente capaz de interpretar escenarios urbanos actuales y potenciales. Se demostraron aplicaciones prácticas en Leipzig, donde se están utilizando DT impulsados por IA para optimizar los aparcamientos y la infraestructura para bicicletas. Mientras tanto, la Universidad de Hamburgo mostró proyectos de IA colaborativos y de código abierto, poniendo énfasis en su interés por unirse a iniciativas financiadas por Europa (DCS Intro 2024).

Cybersecurity y Global Engagement

La ciberseguridad ha sido un tema recurrente durante toda la exposición, destacando su papel crucial en la protección de las infraestructuras de las ciudades inteligentes. Cabe señalar que el Banco Mundial participó activamente, reflejando la importancia global de los ecosistemas digitales seguros.

Nuestra contribución: Open Innovation Challenges

Como parte de nuestra participación, participamos en desafíos de innovación abierta, presentando propuestas que aprovechan los grandes Modelos de Lenguaje (LLM) y los Gemelos Digitales para aplicaciones corporativas. Estas iniciativas demuestran nuestro compromiso con superar los límites de la inteligencia artificial y la tecnología urbana, asegurando que las ciudades del futuro sean no solo más inteligentes, sino también más resilientes e inclusivas.

Nuestra presencia en la Smart City Expo de Barcelona reafirmó nuestro papel como proveedor de tecnología con visión de futuro. Contribuyendo a las discusiones sobre Gemelos Digitales, IA, ciberseguridad e innovación abierta, continuamos dando forma al futuro de la vida urbana, impulsando soluciones que hacen que las ciudades sean más adaptativas, eficientes y centradas en las personas.

La entrada Smart City Expo Barcelona 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.

Desafíos clave para los equipos de IA en automotive

Los principales desafíos al desarrollar modelos de IA para vehículos de conducción autónoma son:

• Clasificación High-Risk: Los sistemas de IA en los vehículos de conducción autónoma a menudo caen en la categoría de «alto riesgo», lo que desencadena evaluaciones de conformidad obligatorias, documentación y preparación para auditorías.
• Complejidad en el cumplimiento normativo: con más de 450 páginas de texto legal, traducir regulaciones en tareas de ingeniería es un desafío abrumador. Las revisiones manuales y la documentación fragmentada ralentizan la innovación y aumentan los costes.
• Presión de auditoría: los equipos deben prepararse para inspecciones programadas y sorpresas. El incumplimiento puede resultar en multas de hasta 7.5 millones de euros o el 3% de la facturación global.

Marcos de confianza y cumplimiento en la IA

Para abordar estos obstáculos, es fundamental desarrollar marcos de cumplimiento modulares y automatizados adaptados para los SDV que permitan:

• Evaluaciones de sistemas End-to-End: evaluaciones rápidas y listas para auditoría alineadas con la Ley de IA de la UE.
• Informes configurables: evaluaciones específicas para componentes de IA, como el equilibrio de datos o la transparencia del modelo.
• Interfaz de la Fase de Auditoría: herramientas para evaluadores externos, optimizando la retroalimentación y reduciendo el tiempo de evaluación.

¿A quién va dirigido?

• OEMs: responsables del cumplimiento a nivel de sistema, deben asegurarse de que cada componente de IA cumpla con los estándares regulatorios antes del lanzamiento del vehículo.
• Tier 1 Suppliers: los desarrolladores de módulos de IA críticos deben demostrar cumplimiento a nivel de componente a los fabricantes de equipos originales (OEM), mejorando la colaboración y la competitividad en el mercado.

Implicaciones en la industria

La EU AI Act no es solo un obstáculo legal, sino una oportunidad estratégica. Al integrar el cumplimiento en el ciclo de desarrollo, los fabricantes de automóviles pueden construir sistemas de IA más resilientes, transparentes y preparados para el futuro. La Ley fomenta:

• Colaboración interdisciplinar: los equipos de IA, ciberseguridad, seguridad y regulaciones deben trabajar conjuntamente.
• Responsabilidad a lo largo del ciclo de vida: desde el diseño hasta el monitoreo post-mercado, la trazabilidad se convierte en un requisito fundamental.
• Innovación a través de la estructura: erramientas y marcos automatizados transforman el cumplimiento de un obstáculo en un catalizador para mejores prácticas de ingeniería.

A medida que los SDVs se convierten en la norma, la EU AI Act dará forma a cómo se construye, valida y despliega la IA automotriz. Los desarrolladores y proveedores con visión de futuro que adopten un cumplimiento estructurado no solo evitarán sanciones, sino que liderarán la próxima ola de movilidad inteligente.

GPAI y GenAI bajo la Ley de IA: lo que los desarrolladores deben saber

La GPAI Code of Practice, finalizado en mayo de 2025, proporciona orientación crítica para los proveedores de modelos de IA de propósito general (GPAI), incluidos los sistemas de IA generativa (GenAI). La Ley de IA de la UE distingue entre modelos complejos de GenAI -aquellos con riesgo sistémico– y modelos más simples de GenAI, cada uno enfrentando diferentes cargas de cumplimiento.

• Modelos de GenAI Complejos (modelos de riesgo sistémico): Estos modelos superan umbrales como 10²⁵ FLOPs en computación de entrenamiento o demuestran capacidades de alto impacto en diversos dominios. Los proveedores deben realizar pruebas adversariales, evaluaciones de riesgo, e informes de incidentes, y asegurar protecciones de ciberseguridad. También deben notificar a la Comisión Europea para la inclusión en la base de datos pública y mantener documentación detallada de la arquitectura del modelo y las estrategias de evaluación.
• GenAI Models simples: Estos no se clasifican como riesgo sistémico y enfrentan obligaciones más ligeras. Los proveedores deben publicar un resumen de los datos de entrenamiento, asegurar el cumplimiento de derechos de autor (copyright compliance) y mantener documentación técnica para los usuarios finales. La transparencia es clave: los resultados deben estar etiquetados y los usuarios informados al interactuar con sistemas de IA.

El Código de Práctica sirve como un modelo para demostrar el cumplimiento, ayudando a los desarrolladores a navegar por los requisitos en capas de la Ley de IA, al mismo tiempo que fomenta la innovación y la confianza en las tecnologías de GenAI.

La entrada Navegando por la Ley de IA de la UE: implicaciones para desarrolladores de SDV e innovadores de la industria automotriz 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.

¿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.