En el ámbito empresarial, muchas iniciativas de inteligencia artificial están enfrentando fracasos no por la falta de sofisticación en los modelos, sino debido a la calidad deficiente de los datos que los sustentan. Esta problemática se ha vuelto evidente en el despliegue de sistemas de recuperación de información y agentes de IA, donde las organizaciones se percatan de que mejores modelos ofrecen solo mejoras marginales cuando la información subyacente es fragmentada, obsoleta o contradictoria.
Un reciente eBook titulado «The missing layer in enterprise AI» expone cómo centrarse exclusivamente en los modelos puede ser un error costoso. El documento detalla cómo sistemas de conocimiento ineficientes están mermando el rendimiento de estas tecnologías emergentes.
El eBook proporciona orientación sobre la creación de una base sólida para la IA, destacando la importancia de la fiabilidad de los datos. Se señala que alcanzar un 90% de fiabilidad en varias dimensiones del conocimiento resulta en solo un 65% de precisión, por lo cual elevar dicho índice al 97% es crucial, en ocasiones, más que mejorar el modelo mismo.
Además, el texto sugiere considerar el conocimiento como una infraestructura que va más allá de la simple migración de contenido, impulsada por la ingeniería del conocimiento con conectores y sincronizaciones conscientes de la fuente. Propone también el establecimiento de flujos de trabajo asistidos por IA y verificados por humanos, donde la IA detecta conflictos y duplicados, pero son los expertos en la materia quienes resuelven problemas críticos, desafiando la idea de una automatización total.
Asimismo, se subraya la importancia de publicar una única fuente para varias audiencias, asegurando que los datos precisos lleguen a los usuarios correctos mediante variantes etiquetadas y acceso basado en roles, mejorando la relevancia y efectividad de la información.
El documento concluye con recomendaciones para líderes técnicos, resaltando la necesidad de unificar la ingesta de datos mientras se preserva la metadata de procedencia, aplicar técnicas para detectar duplicados semánticos y evaluar la frescura de los datos. Asimismo, sugiere crear un bucle cerrado entre el rendimiento de la IA en producción y la estrategia de contenido, con el objetivo de ayudar a líderes en IA, aprendizaje automático y tecnología de la información a superar la trampa de pruebas fallidas y desarrollar sistemas de IA efectivos en el entorno empresarial actual.
