Cuándo usar la IA generativa o la IA tradicional

En este documento, encontrarás ayuda para identificar cuándo la IA generativa, la IA tradicional o una combinación de ambas podrían adaptarse a tu caso de uso empresarial.

En este documento, IA tradicional se refiere a las funciones y los casos de uso de IA que podrían no requerir el uso de capacidades de IA generativa, como algunos casos de uso de IA predictiva y de clasificación. Los modelos de IA tradicionales se destacan en el aprendizaje de los datos existentes para clasificar información o predecir resultados futuros según patrones históricos. Los modelos de IA generativa expanden estas capacidades para crear resúmenes, descubrir correlaciones ocultas complejas o generar contenido nuevo, como texto, imágenes o videos, que reflejan el estilo y los patrones en los datos de entrenamiento.

Cuándo usar la IA generativa

En general, las soluciones de IA generativa se destacan en tareas como las siguientes:

  • Crear y recomendar contenido.
  • Potenciar la búsqueda conversacional y los chatbots.
  • Escalamar y automatizar el flujo de trabajo para tareas repetitivas
  • Usar el razonamiento asociativo para encontrar estadísticas y relaciones dentro de documentos y datos.
  • Generar código y ayudar a los desarrolladores a escribir, explicar y documentar el código.

En las siguientes secciones, se proporcionan ejemplos de estos casos de uso comunes de la IA generativa y general que se pueden personalizar para diferentes industrias.

Creación y recomendación de contenido

  • Generar contenido relacionado con el marketing, como imágenes de productos, publicaciones en redes sociales y correos electrónicos con imágenes relevantes.
  • Traducir contenido como documentos, contenido de sitios web y conversaciones de chatbot multilingües.
  • Resumir contenido del texto, incluidos los documentos, los artículos, los comentarios de los clientes y los informes, para ayudar a tomar decisiones más fundamentadas basadas en datos.
  • Crear resúmenes de información de varias fuentes que puedan incluir componentes de texto, imágenes y video o audio.
  • Creación de subtítulos automáticos de videos.
  • Crear contenido multimedia creativo, como crear imágenes nuevas a partir de descripciones de prompts de texto, modificar o corregir imágenes con prompts de texto (por ejemplo, quitar un objeto o cambiar el esquema de colores) y generar videos o animaciones cortos a partir de prompts de texto o secuencias de comandos.
  • Generar voces sintéticas realistas para audios, como pistas de voz en off y música.
  • Analizar y comprender el comportamiento, las preferencias, las opiniones y las interacciones anteriores de los usuarios para proporcionar recomendaciones de contenido personalizadas. El análisis se puede combinar con factores en tiempo real, como la ubicación, para adaptar las recomendaciones de contenido en el contenido, como productos, artículos y videos.

Búsqueda conversacional y chatbots

  • Compilar asistentes virtuales para interacciones de usuarios, como asistencia al cliente y ventas en línea.
  • Habilitar la búsqueda de conversación a través de bases de conocimiento grandes con consultas de lenguaje natural.
  • Encontrar respuestas a preguntas complejas que combinen consultas textuales con imágenes relacionadas.

Comprensión de datos y documentos

  • Extraer datos y analizar contenido de texto, como informes, facturas, recibos, transacciones financieras o contratos para destacar posibles errores o problemas de cumplimiento, identificar posibles riesgos o descubrir anomalías que indican fraudes.
  • Analizar las opiniones del contenido generado por usuarios, como las publicaciones en redes sociales y las opiniones sobre productos.
  • Analizar las conversaciones transcritas del centro de atención telefónica para extraer estadísticas, como los motivos más comunes por los que los clientes dan una calificación baja a las interacciones del centro de llamadas.

  • Analizar datos de seguridad cibernética, como informes, artículos y repositorios de amenazas para extraer indicadores clave de amenazas. Este análisis permite la defensa proactiva de la seguridad cibernética para resumir y priorizar las estrategias de mitigación con recomendaciones para obtener una respuesta más rápida.

    El análisis puede traducir grafos de ataque complejos a explicaciones de exposición en texto sin formato. También puede simular posibles rutas de ataque para destacar los recursos afectados y puede recomendar mitigaciones antes de que se puedan aprovechar los activos.

Generación de código y asistencia para desarrolladores

La IA generativa puede ayudar con los siguientes tipos de tareas en todas las etapas del ciclo de vida del desarrollo de software (SDLC):

  • Generar especificaciones y documentación de APIs mediante instrucciones con lenguaje natural.
  • Crear elementos como código, funciones, comandos de línea de comandos y secuencias de comandos de Terraform a partir de prompts con lenguaje natural.
  • Generar pruebas y explicaciones de código, incluidos comentarios y documentación para explicar código.

Para obtener más información sobre cómo la IA generativa puede transformar las operaciones comerciales, como la atención al cliente, la productividad de los empleados y la automatización de procesos, consulta Casos de uso empresariales en “IA generativa en Google Cloud”.

Cuándo usar la IA tradicional

Los casos de uso de la IA tradicional, por lo general, se enfocan en predecir resultados futuros o clasificar una categoría según un modelo de IA que se entrena en fuentes de datos históricas existentes, como imágenes y datos tabulares. Las soluciones de IA tradicionales suelen ser suficientes para abordar varios casos de uso de clasificación y predicción de IA, como los siguientes:

  • Casos de uso de clasificación:
    • Filtrado de spam de correo electrónico mediante la clasificación de correos electrónicos como spam o no spam, según un modelo de IA de clasificación tradicional que se entrena con datos históricos.
    • Entrenar un modelo de clasificación de imágenes tradicional en imágenes específicas de productos en buen estado y defectuosos para ayudar de manera eficaz con la inspección en tiempo real y la detección de defectos en la fabricación.
  • Casos de uso de regresión:
    • Predecir valores numéricos continuos, como la predicción de precios de casas en función de características y ubicaciones específicas de la casa.
    • Predecir cuántos ingresos generará un cliente de una plataforma de comercio electrónico durante su relación con la empresa según los datos históricos de compras.
  • Casos de uso de previsión de series temporales: Prever ventas y demanda.
  • Casos de uso de agrupamiento en clústeres: Realizar la segmentación de clientes

Para obtener más información sobre el uso de la IA tradicional, consulta Usos y ejemplos de estadísticas predictivas en “¿Qué son las estadísticas predictivas?”

Elige entre la IA tradicional y la IA generativa

El siguiente árbol de decisión simplificado proporciona una referencia de alto nivel para algunas rutas de decisión basadas en casos de uso. En algunos casos, podría ser mejor usar la IA tradicional y la IA generativa, como se describe en la siguiente sección: “Cuándo combinar la IA generativa con la IA tradicional”.

Un árbol de decisión muestra cuándo usar IA generativa, clasificación tradicional o IA predictiva o un modelo de IA previamente entrenado.

El árbol de decisión incluye las siguientes preguntas y respuestas basadas en casos de uso:

  • Si tu caso de uso está relacionado con la clasificación o la detección, verifica si un modelo de IA tradicional previamente entrenado puede cumplir con los requisitos de tu caso de uso. Los modelos tradicionales entrenados previamente incluyen las APIs de IA, como Document AI, Vision AI, la API de Natural Language y la API de Video Intelligence.

    • Si un modelo previamente entrenado cumple con tus requisitos, usa el modelo previamente entrenado.
    • Si un modelo previamente entrenado no puede cumplir con tus requisitos, verifica si hay suficientes datos de entrenamiento disponibles para entrenar un modelo de forma personalizada.
      • Si hay suficientes datos de entrenamiento disponibles, ¿qué se debe priorizar: más control sobre el entrenamiento de modelos o lograr un lanzamiento al mercado (GTM) más rápido?
        • Si necesitas un alto control del entrenamiento de modelos con personalizaciones, como usar cualquier algoritmo de modelo preferido, desarrollar tus propias funciones de pérdida con atributos específicos de la explicabilidad del modelo, la cantidad de capas en el modelo, la tasa de aprendizaje y otros hiperparámetros del modelo, usa un entrenamiento personalizado de un modelo de IA tradicional. Para obtener información sobre las diferencias entre el entrenamiento personalizado o el entrenamiento de un modelo en Vertex AI mediante AutoML, consulta Elige un método de entrenamiento.
        • Si tu prioridad empresarial es un GTM más rápido, usa la IA generativa. Si tu caso de uso es especializado, puedes mejorar el rendimiento de un modelo mediante el ajuste del modelo, como el ajuste supervisado para la clasificación, el análisis de opiniones o la extracción de entidades.
      • Si un conjunto de datos de entrenamiento no está disponible o si los conjuntos de datos disponibles no son lo suficientemente grandes para entrenar de forma personalizada un modelo, usa modelos de IA generativa con ingeniería de instrucciones. Estos modelos se pueden ajustar aún más para realizar tareas especializadas mediante ejemplos de datos.

  • Si tu caso de uso está relacionado con casos de uso de IA predictiva, usa la IA tradicional. La IA predictiva tradicional es particularmente eficaz con datos estructurados.

  • Si tu caso de uso está relacionado con casos de uso de IA generativa, como la creación de resúmenes, la generación de contenido o la transcripción avanzada, usa la IA generativa. El uso de la IA generativa incluye casos de uso que requieren procesar e ingresar información de varias modalidades, como texto, imágenes, videos o audio.

Aunque los científicos de datos y los ingenieros de AA suelen liderar el proceso de selección de modelos, es importante considerar también la entrada de las partes interesadas clave, como los líderes empresariales, los propietarios de productos, los expertos en dominios y los usuarios finales. Por ejemplo, estas partes interesadas podrían participar de las siguientes maneras:

  • Líderes empresariales y encargados de la toma de decisiones: aprueba la selección cuando esté alineada con las prioridades empresariales.
  • Propietarios de productos: puede requerir influencia o tener más control sobre el comportamiento del modelo para alinearlo con las prioridades del producto.
  • Expertos en dominios: aplican su experiencia en el dominio para mejorar la eficacia del modelo.
  • Usuarios finales: es posible que debas comprender el resultado del modelo y cómo incorporarlo para tomar decisiones más fundamentadas.

Cuándo combinar la IA generativa con la IA tradicional

La IA tradicional y la IA generativa no son mutuamente excluyentes. En algunos casos de uso empresariales, se pueden usar para complementar uno con otro a fin de abordar el objetivo comercial final. Por ejemplo, puedes usar el resultado de un modelo de IA tradicional como parte de la prompt para un modelo de IA generativa. Estos son algunos ejemplos de casos de uso para combinar las capacidades de la IA tradicional y la IA generativa:

  • La IA predictiva tradicional puede analizar datos históricos para prever la probabilidad de deserción de clientes. Este análisis se puede integrar en un LLM o chatbot impulsadas por IA generativa, lo que permite a tu equipo de ventas explorar las predicciones mediante conversaciones en lenguaje natural. También puedes generar paneles de inteligencia empresarial (IE) a través de una conversación simple con el chatbot.
  • La IA predictiva tradicional puede prever los riesgos de un caso de uso específico, mientras que la IA generativa puede simular diferentes situaciones para ayudar a formular posibles estrategias de mitigación.
  • La IA predictiva tradicional puede identificar segmentos de clientes para ayudar a crear marketing y campañas personalizados. Luego, puedes usar la IA generativa para generar contenido de marketing personalizado que se adapte a cada segmento identificado.
  • La visión artificial de la IA tradicional puede detectar y clasificar el lenguaje de señas para traducir entradas de video en texto. La IA generativa puede agregar comprensión del contexto y los matices del lenguaje de señas, lo que permite una traducción más optimizada a texto escrito, incluidos varios idiomas. La IA generativa también puede generar resultados de voz a partir de la traducción de texto, lo que permite una comunicación bidireccional sin interrupciones entre firmantes y no firmantes.
  • La IA tradicional puede realizar estadísticas de video y usar capacidades de inteligencia de video para extraer estadísticas y funciones vitales de los elementos de video. Por ejemplo, puede realizar detección de objetos, de personas y de texto, y extracción de elementos de video. La IA generativa puede usar esas estadísticas para crear experiencias nuevas, como chatbots, fichas, informes o artículos.

Para maximizar los beneficios comerciales de las inversiones en IA generativa y en IA tradicional, prioriza los resultados comerciales y las necesidades de los usuarios necesarios (soluciones de IA centradas en la empresa y en el usuario). Este enfoque garantiza que las soluciones sigan siendo relevantes, impulsen la adopción, mejoren la eficiencia y fomenten la innovación. Priorizar la experiencia del usuario en las soluciones impulsadas por IA ayuda a alinear las expectativas y ofrecer resultados significativos.

¿Qué sigue?