Cómo AIaaS (AI-as-a-service) puede llevar la Inteligencia Artificial hasta a las PYME

0
49

Cuando se trata de la adopción de la inteligencia artificial (IA), hay una brecha creciente entre los que tienen y los que no tienen.

Según IBM, la tasa de adopción global de la IA subió 4 puntos porcentuales en 2022, alcanzando casi el 35%. Sin embargo, el estudio también encontró que la brecha en la adopción de la IA entre las empresas más grandes y más pequeñas también creció significativamente en el último año.

Hoy en día, las empresas más grandes tienen el doble de probabilidades de haber desplegado activamente la IA como parte de sus operaciones comerciales que las empresas más pequeñas, que tienen más probabilidades de estar explorando o no perseguir la IA en absoluto debido a los costos de desarrollo y los problemas de escalabilidad.

«Las PYMES [pequeñas y medianas empresas] suelen tener el problema de escalar sus operaciones debido a las enormes implicaciones financieras», dijo Dipak Singh, jefe de ciencia de datos en Indus Net Technologies. «A menudo no quieren aventurarse en el camino de la IA porque no están seguros del resultado de sus proyectos de IA».

Los proyectos de IA suelen tardar meses en desarrollarse y madurar, lo que conlleva un largo periodo de gestación y gastos importantes. Ahí es donde entra la IA como servicio (AIaaS): Nace del deseo de democratizar la IA para todos, al tiempo que aborda la creciente demanda de IA, la computación cognitiva y la adopción a gran escala de soluciones basadas en la nube.

El mercado global de AIaaS está preparado para superar los 41.000 millones de dólares en 2025, casi cinco veces el tamaño del mercado actual, según NASSCOM. La AIaaS suele basarse en grandes proveedores de la nube, como IBM, SAP SE, Google, AWS, Salesforce, Intel y Baidu, pero también hay un puñado de startups que ofrecen soluciones. Recientemente, la empresa californiana Assembly AI ha lanzado una API potenciada por la IA para convertir audio o vídeo en texto. Ofrecida como un modelo AIaaS, la API permite a los desarrolladores ayudar al desarrollo de modelos para transcribir, comprender y analizar los datos de audio.

IA para todos
La IAaaS, que cobró fuerza a partir de 2020 durante la pandemia de COVID-19, funciona como cualquier otro modelo de negocio «as-a-service». Se compone de múltiples modelos de entrega y ofertas que incluyen, pero no se limitan a, herramientas off-the-shelf para el desarrollo, la prueba y el despliegue, y el escalado de los modelos de IA/ML; el suministro de servicios verticales como la inferencia como servicio, la anotación como servicio y el aprendizaje automático como servicio (MLaaS); y modelos de servicios totalmente externalizados o gestionados.

Aunque la definición puede ser borrosa, AIaaS permite a los usuarios aprovechar el poder de la IA/ML sin escribir una sola línea de código y sin necesidad de conocimientos técnicos particulares.

«Aprovechar la IA como modelo basado en el servicio podría ser el enfoque adecuado para aquellas empresas que aún no comprenden el alcance que podría tener la IA en su negocio», afirma Tushar Bhatnagar, cofundador y director de tecnología de vidBoard.ai y cofundador y director general del proveedor de AIaaS Alpha AI.

Dado que la AIaaS no exige grandes inversiones iniciales ni recursos humanos masivos y conlleva un menor riesgo, las empresas pueden seguir centrándose en sus competencias principales mientras obtienen acceso a las capacidades de la IA/ML, dijo Bhatnagar.

AIaaS permite a las PYME utilizar rápidamente modelos preentrenados a través de mecanismos plug-and-play a un coste nominal. Algunas de las áreas en las que AIaaS está ayudando a las empresas son los bots y los asistentes digitales, las API de computación cognitiva, los marcos de aprendizaje automático y el etiquetado de datos.

No hay almuerzo gratis: AIaaS no es una excepción
AIaaS es una bendición para las pymes, pero la oferta no es impecable.

Bhatnagar dijo que las empresas deben ser conscientes de los problemas que pueden derivarse de la inexactitud de los datos, el sesgo algorítmico y la naturaleza de «caja negra» de la IA.

Por ejemplo, el sesgo algorítmico. Un modelo de IA crea una serie de instrucciones que un sistema tiene que seguir para realizar una tarea concreta, que suele ser creada por humanos. Sin embargo, si los algoritmos son defectuosos, no están optimizados para los casos extremos o están sesgados, proporcionarán resultados y condiciones desfavorables y poco fiables. Si no se mantiene bajo control, un modelo de IA como servicio podría escalar bastante rápido. Al final, las empresas podrían encontrarse buscando soluciones y personalizaciones más complejas, que pueden ser más caras y requerir la contratación y formación de personal más especializado.

«En lo que respecta a las imprecisiones en los datos, los programas de IA sólo pueden aprender de la información que les presentamos», afirma Bhatnagar. «Sus resultados pueden ser erróneos o muy inconexos si los datos que se le proporcionan al programa están incompletos, son poco fiables o carecen de estructura. Como resultado, la IA sólo puede ser tan inteligente, útil o innovadora como los datos que se le suministran.»

Por último, la IAaaS a menudo carece de toda explicabilidad. Aunque una solución puede devolver sistemáticamente resultados precisos, no puede explicar cómo ha llegado a esa conclusión concreta.

Consejos para navegar por el panorama de la AIaaS
Los mejores casos de uso de AIaaS por parte de las PYMES, dijo Singh, son aquellas actividades operativas «extrañas y mundanas» que pueden automatizarse utilizando AIaaS y que no implican datos privados y confidenciales, como el etiquetado y la clasificación de datos, o los bots y la asistencia digital.

Singh también recomienda investigar a fondo los antecedentes del proveedor de AIaaS para asegurarse de que los datos de la empresa estarán en buenas manos.

Por último, las empresas también deben crear protocolos de uso, acceso y seguridad. Por ejemplo, si la AIaaS se utiliza para bots y asistencia digital, ¿qué tipo de datos debe permitir la empresa que el sistema almacene o comparta? ¿Hasta qué punto pueden utilizarlo o no? ¿Cuáles son las normas y regulaciones para los empleados que entran y salen de la plataforma? Estos conocimientos deben documentarse claramente y compartirse con las diferentes partes interesadas de la organización, dijo Singh.

Fuente WEB | Editado por CambioDigital OnLine

Custom Text
Artículo anteriorLas tendencias que están reconfigurando las redes de los campus y las empresas
Artículo siguienteBlack Hat SEO: ¿Alguien está suplantando el dominio de su sitio?