La inteligencia artificial (IA) viene revolucionando el mundo desde hace al menos 10 años, pero nunca hubo un momento más crucial en la historia de la IA como este. Generativa (GenAI), la nueva rama de inteligencia artificial, está demostrando ser particularmente prometedora -y es mucho más que los chatbots tan famosos en estos días-. Sus usos y aplicaciones para el mundo empresarial, y particularmente de las fintech, traerán muchísimos beneficios a sus procesos y formas de hacer negocios.
Sin embargo, al mismo tiempo que sucede esta revolución, es importante mantenerse conectado a tierra. Y ahora más que nunca, las organizaciones deben pensar en construir sistemas de IA de manera responsable y gobernada, para integrarlos a sus operaciones y productos de la forma más eficiente posible. ¡Veamos a continuación algunas posibilidades de uso que trae la inteligencia artificial al mundo de las fintech y las empresas de la mano de GenAI!
Empecemos por el principio ¿Qué es la inteligencia artificial generativa (GenAI)?
La IA generativa es una tecnología de inteligencia artificial, en la que un modelo de IA puede producir contenido en forma de texto, imágenes, audio y video al predecir la siguiente palabra o píxel. Todo esto, en función de grandes conjuntos de datos en los que se ha entrenado. Esto significa que los usuarios pueden proporcionar indicaciones específicas (prompts) para que la IA genere contenido original, como producir un ensayo sobre la materia oscura o una representación al estilo de Van Gogh de patos jugando al póquer.
Si bien la IA generativa ha existido desde la década de 1960, ha evolucionado significativamente gracias a los avances en el procesamiento del lenguaje natural, la introducción de redes adversas generativas (GAN) y transformadores. Las GAN comprenden dos redes neuronales que compiten entre sí: uno crea salidas falsas disfrazadas de datos reales y el otro distingue entre datos artificiales y reales, mejorando sus técnicas a través del aprendizaje profundo.
Los transformadores, presentados por primera vez por Google en 2017, ayudan a los modelos de IA a procesar y comprender el lenguaje natural al establecer conexiones entre miles de millones de páginas de texto en las que han sido entrenados, lo que da resultados altamente precisos y complejos. Los modelos de lenguaje grande (LLM), que tienen miles de millones -o incluso billones- de parámetros, pueden generar texto fluido y gramaticalmente correcto, lo que los convierte en una de las aplicaciones más exitosas de los modelos transformadores.
Hoy, la inteligencia artificial se encuentra en el pico de las expectativas según la consultora Gartner. Toda tecnología atraviesa este mismo ciclo y solo algunas logran superarlo y llegar a convertirse en un estándar.
Incorporación de IA generativa en aplicaciones empresariales
La IA generativa se está volviendo rápidamente popular entre las empresas, ¡y se están desarrollando varias aplicaciones que pueden cambiar la forma en que operan! Desde la generación de código hasta el diseño y la ingeniería de productos, la IA generativa impacta en una variedad de aspectos empresariales.
Hablemos primero de la generación de código: hay varias soluciones en el mercado que nos pueden ayudar, como Github Copilot de Microsoft y AWS Code Whisper de Amazon, entre otras. Estas herramientas ayudan a los desarrolladores en la creación de código, generación de testing y bug fixing, entre otros, pero no buscan reemplazarlos. Por el contrario, actúan como asistentes digitales que trabajan junto a ellos para mejorar su productividad y eficacia.
Ahora, ¿qué pasa si queremos usar GenAI para generar contenido empresarial? En general, la gran mayoría de herramientas que salieron al mercado apuntan a la masividad, cómo las de generación de texto e imágenes: ChatGPT, MindJourney, entre otros.
El problema principal con estas herramientas es que no están conectadas al modelo de datos privado de una empresa. Y, cuando hablamos de sectores que manejan información sensible como las empresas del rubro financiero en el cual vive Pomelo, nos genera un desafío utilizarlas de forma correcta sin poner en riesgo la seguridad e integridad de los datos.
Al igual que con cualquier tecnología nueva, las organizaciones deben tener en cuenta ciertas consideraciones al tratar con GenAI: deben invertir en la infraestructura adecuada, garantizar la validación humana de los resultados y considerar las complejas implicaciones éticas de la autonomía y el robo de propiedad intelectual.
A medida que las organizaciones adoptan GenAI en todas sus líneas del negocio, deben considerar tres principios clave:
- Producir de forma inteligente, es decir, evitar “más de lo mismo”.
- Transform Processes GenAI no es un “parche” para los procesos existentes: los procesos deben cambiar y las personas -que siguen siendo un componente crítico- deben adaptarse.
- Evolucionar su organización: cambie los roles, las responsabilidades y las estructuras de la organización para reflejar nuevos procesos y formas de hacer negocios
Recomendaciones de uso del GenAI para las fintech y empresas con manejo de información sensible
- Diseño e ingeniería de productos: Con el diseño generativo de IA, los equipos de ingeniería y producto pueden explorar una gama más amplia de opciones. Por ejemplo, la IA generativa podría sugerir un diseño de un producto optimizado frente a factores como el costo, la capacidad y el esfuerzo a realizar.
- Aplicaciones de marketing y CX: La IA generativa mejora las aplicaciones de marketing y CX al mejorar las interacciones con los clientes, lo que permite una mayor personalización y análisis más avanzados. Las primeras versiones de IA generativa se han utilizado en chatbots y agentes impulsados por IA para centros de contacto y autoservicio de clientes.
- Herramientas para NPS: Permitiendo procesar encuestas de clientes y realizar análisis de sentimientos. Al examinar las respuestas de las encuestas de NPS y los comentarios de los clientes en las redes sociales, las empresas pueden obtener una comprensión más profunda de las necesidades y sentimientos de sus clientes. Esta información valiosa puede ser utilizada para mejorar la experiencia del cliente, personalizar las recomendaciones de productos y aumentar la Puntuación Neta del Promotor (en inglés, Net Promoter Score), lo que se traduce en un servicio superior y una mayor lealtad del cliente.
- Generación de código: como ya fue mencionado, su uso es muy útil antes de crear código, y para sugerir cambios en el diseño y patrones de tu aplicación mientras se está codeando. El modelo puede aprender en tiempo real de todo el contexto que le rodea y proponer mejoras estructurales de la arquitectura, seguridad o legibilidad, lo que puede mejorar la calidad del software.
¿Qué riesgos existen detrás de usar GenAI para las empresas?
En primer lugar, GenAI tiende a ser no determinista, lo que significa que puede producir resultados diferentes incluso con las mismas entradas. Esto requiere un enfoque diferente para el diseño, la gestión y las pruebas en comparación con las tecnologías deterministas más tradicionales.
También es importante estar atentos y no tener un exceso de confianza en los modelos, ya que pueden generar respuestas polarizadas, discriminatorias o incluso desinformadas. Entendamos que el modelo es tan bueno como el entrenamiento y la información que se le brindó. Hoy en día todas las grandes IA fueron entrenadas con las mejores intenciones y, sin embargo, las personas pueden tener prejuicios anexos o sesgos, que podrían impactar de alguna forma al modelo.
Por último, se debe considerar la complejidad de la arquitectura empresarial en las organizaciones modernas, ya que poseen aspectos de negocio, datos, aplicaciones y tecnología, que puede complicar la explicabilidad de GenAI. Esto es especialmente cierto, dado que los algoritmos y las matemáticas que subyacen en GenAI pueden ser inaccesibles para personas sin conocimientos de estadística y ciencia de datos. O incluso, estas matemáticas pueden ser erróneas y deben ser verificadas por un especialista antes de utilizarse: se considera que la AI puede tener un pequeño porcentaje de error en sus cálculos, lo cual no es algo admisible para las fintech.
Desafíos de Seguridad
La seguridad es un aspecto crítico a considerar al implementar GenAI en una empresa. Esta inteligencia puede dar lugar a nuevas clases de problemas de seguridad en el software que los utiliza. Por ejemplo, ya estamos viendo chatbots que se “liberan” y no cabe duda de que habrá compromisos para las aplicaciones impulsadas por LLM.
Aplicar prácticas de seguridad sólidas y no tomar atajos será fundamental para mitigar estos riesgos. Es importante que tu equipo de seguridad esté al día y comprenda esta área de la tecnología, para evitar que los proyectos se cierren por incertidumbres o brechas de seguridad.
Costos y peligros de los períodos de prueba gratuitos
Los modelos GenAI cuestan millones de dólares para ser entrenados, sin mencionar el presupuesto para acceder al talento en ciencia de datos, -que es muy buscado y costoso-. Por lo tanto, es poco probable que las plataformas que actualmente son gratuitas o de bajo costo permanezcan de esa manera. Si las plataformas gratuitas permanecen así, es necesario hacerse preguntas sobre su modelo comercial, y si éste incluye el uso de los datos con que se alimenta.
Comprensión de la arquitectura de IA generativa empresarial
La arquitectura de la IA generativa para empresas es compleja e integra múltiples componentes, como procesamiento de datos, modelos de aprendizaje automático y circuitos de retroalimentación. El sistema está diseñado para generar contenido nuevo y original basado en reglas o datos de entrada.
En un entorno empresarial, la arquitectura de IA generativa se puede implementar de varias maneras. Por ejemplo, para automatizar el proceso de creación de descripciones de productos, ahorrando tiempo y reduciendo costos. También se puede utilizar para generar informes de análisis de datos, lo que puede ayudar a las empresas a tomar mejores decisiones comerciales.
¡Llegamos al final!
En Pomelo, estamos realizando pruebas pequeñas con GenAI, como la traducción de documentos multilingües y la mejora de la velocidad de desarrollo de nuestros desarrolladores. También estamos utilizando GenAI para generar herramientas internas, como chatbots, que pueden mejorar la eficiencia y la productividad de nuestro equipo.
Estas pruebas iniciales nos han mostrado el potencial de GenAI para transformar nuestras operaciones. Sin embargo, también somos conscientes de que la implementación de GenAI en una empresa de servicios financieros como la nuestra presenta desafíos únicos.