El crecimiento de la importancia de la Inteligencia Artificial se empieza a notar, no sólo en las conversaciones con amigos, también en los “roadmaps” de productos. Cuando trabajas en una empresa de tecnología, te das cuenta de que ahora las nuevas herramientas se crean ya con una visión a futuro en la que una IA pueda mejorarlas. Es por ello que, entender el genérico de qué se espera de una IA, es importante.

Todo proceso tecnológico tiene datos de entrada (input) y datos de salida (output)

Los datos de entrada vienen definidos por el contexto donde nos encontramos, tienen más que ver con el presente. Y los datos de salida tienen que ver con lo que queremos encontrarnos a partir de ahora, con el futuro. Y conseguir encontrar el punto general de conexión de esos datos de entrada y salida sería automatizar el proceso. 

La Inteligencia Artificial tiene una capacidad de aprendizaje que permite que sea más autónoma según pasa el tiempo y se repiten esos mismos procesos. En la tecnología tradicional, el input y el output es algo que está muy definido dentro de una estructura fija. Si nos salimos de esa estructura, estamos teniendo un “bug”, es decir, ese proceso tiene un error. El cómo se ha procesado un dato de entrada ha sido un proceso incorrecto, y el dato de salida no es el que queremos que sea.

Con la Inteligencia Artificial, directamente esperamos que existan bugs. Es esperable que haya errores, y lo que se espera también es que ese porcentaje de errores se vaya reduciendo según pase el tiempo.

¿Qué tipos de datos de entrada tenemos? Pues estamos hablando de texto, de audio, de imágenes… Hay procesos que todos conocemos, por ejemplo: “Este dato de texto está en español, por favor, señor IA, crea un proceso para que salga en inglés”. La primera traducción no es muy buena, pero va mejorando con el tiempo.

Otro ejemplo: “Este dato de entrada es un audio con un tono de voz, por favor, quiero que me des una canción con este mismo tono de voz”. Estos dos procesos los conocemos muy bien.

Los pasos siempre son los mismos: datos de entrada, workflow, datos de salida

La IA evaluativa lo que hará es que aprenderá de un conjunto de datos prefijados. Y con esos datos creará el proceso. Pero siempre usando una base bastante fija de datos con los que aprender. La IA generativa utilizará todo el histórico de la sesión para mejorar ese proceso. Empieza con la base de datos fija de antes, pero va añadiendo su propia información sobre lo bien o lo mal que lo está haciendo con todos los procesos que está repitiendo, una y otra vez. Lo interesante de esto es que sucede dentro de una misma sesión, es decir, hay que registrarse para generar un histórico, en el caso de un chat. 

Toda esta explicación lo que intenta es asentar una base de cómo funcionan los procesos, y de cómo esta nueva forma de ver el proceso es la que va a influir en la evolución del producto o herramientas que se usan en programática, como en una Data Clean Room.

En tecnologías Saas, hay mejoras de producto interno y/o externo. Es decir, productos internos sería toda mejora que reside en el backend y es difícil de palpar desde fuera siendo cliente o usuario. Y los productos externos forman parte del frontend y es algo mucho más tangible de entender. Ya sea en forma de mejoras de herramientas existentes que nos permitan aumentar la productividad o en nuevas herramientas que ni nos planteamos aún hoy.

El caso es que cualquier empresa de tecnología tiene actualmente un pilar único para su roadmap de producto, dedicado a la Inteligencia Artificial. Conociendo cómo funciona esta base, ya puedes observar tu herramienta de referencia y darte cuenta de cómo evoluciona en cierto sentido o, incluso, ser creativo y proactivo para realizar peticiones de roadmap de producto a tu contacto en esa tecnología y formar parte del cambio. 

Marta Herrero Villamayor, Addressability Solutions Architect de LiveRamp