Traducido del inglés al español - www.onlinedoctranslator.

com

Informe de preparación de IA de 2023

2 Escala Zeitgeist: Informe de preparación de IA de 2023 3

 Introducción
Mesa de
En Scale, nuestra misión es acelerar el
desarrollo de aplicaciones de IA. Por
eso estamos emocionados de
A pesar del interés generalizado en la IA generativa, con el

Contenido presente la segunda edición de Scale

Zeitgeist: AI Readiness Report, una encuesta
de más de 1600 ejecutivos y profesionales
de ML para descubrir qué funciona, qué no
Resumen del año de IA 04 y las mejores prácticas para que las
72 % de los encuestados planeando aumentar sus
inversiones en IA este año, descubrimos que las grandes
empresas, las pequeñas empresas y los gobiernos aún no
están seguros de cómo adoptar esta tecnología. ¡Los
ejecutivos se están dando cuenta rápidamente de que no
se pueden quitar estos modelos! el estante y espera

Tendencias de adopción de IA dieciséis

organizaciones implementen IA para lograr obtener una ventaja comercial única: debe capacitarlos
para que se desempeñen según sus necesidades
un impacto comercial real.
Principales casos de uso por industria 22 Ciclo de vida de aprendizaje automático 30 comerciales específicas, con sus datos patentados.

Diseñamos este informe para explorar el impacto real de la

Seguro
Comercio minorista y comercio electrónico
Servicios financieros
Logística y cadena de suministro
24 Trabajando con En los últimos meses, la exageración sobre la IA generativa ha
IA generativa, cómo cada industria puede adoptar la IA para
Modelos de cimentación 31 inundado el discurso popular. Aparentemente de la noche a la
25 mañana, todos los directores ejecutivos comenzaron a agregar IA
acelerar la innovación y las mejores prácticas que las
empresas pueden seguir para maximizar su inversión en la
Desafíos de datos 33 generativa a su estrategia comercial. Muchas personas influyentes y
26 tecnología. Los resultados de este informe muestran que
líderes tienen puntos de vista opuestos sobre la IA generativa: a
Mejores prácticas de datos 35 con la base adecuada para implementar la IA, la
28 algunos les preocupa que los sistemas de IA altamente competentes
productividad de los empleados aumenta, la experiencia del
provoquen un desplazamiento masivo de puestos de trabajo,
Evaluación del modelo 37 cliente mejora y los ingresos y la rentabilidad crecen.
mientras que otros consideran que estos modelos no están

Conclusión 40 preparados para la empresa debido a problemas de privacidad y

seguridad. Estamos aquí para superar la exageración y ayudarlo a Nuestro objetivo es continuar arrojando luz sobre las realidades

Acerca de la escala 42 separar la señal del ruido sobre lo que realmente se necesita para de lo que se necesita para desbloquear la IA para cada negocio.

adoptar la IA generativa para ayudarlo a resolver sus desafíos El panorama de la IA avanza rápidamente, pero esperamos que

Metodología 44 comerciales más importantes. esta investigación ayude a desmitificar los cambios que están en

marcha y arroje luz sobre lo que las empresas necesitan para

aprovechar al máximo este momento.

yo Escala Zeitgeist: Informe de preparación de IA de 2023 01

 Los próximos 2-3 años de IA
definitivamente definirán las
próximas 2-3 décadas del mundo.

Para aquellos en tecnología: vives toda

una vida por un momento como este, no
lo desperdicies.

Hay décadas en las que no pasa

nada, y semanas en las que pasan
décadas.

— Alejandro Wang
FUNDADOR Y DIRECTOR EJECUTIVO, ESCALA

02 Escala
PRINCIPALES CASOS DE USO POR INDUSTRIA
IA año en
Revisar
IA generativa
da un salto gigante
Grandes saltos en las capacidades de IA generativa
definieron 2022. A mediados de 2022, los modelos de
difusión de imagen Dall-E 2 (OpenAI) y Stable Di!usion
(Stability AI) capturaron los titulares. Muchas nuevas
empresas se apresuraron a construir sus negocios sobre
estas poderosas herramientas de creación de imágenes. A
fines de noviembre, OpenAI lanzó el modelo de lenguaje
grande GPT-3.5 y la interfaz de chat ChatGPT, que
rápidamente se convirtió en uno de los lanzamientos
tecnológicos más impactantes de la historia. La clave del
impacto de este modelo fue el uso del aprendizaje
reforzado con retroalimentación humana (RLHF), una
técnica para alinear el rendimiento del modelo con la
intención humana.
04 Escala
REVISIÓN DEL AÑO AI
Se recopilan grandes cantidades de datos de Luego, el modelo base se ajusta a través del Luego, los modelos generativos pueden
una variedad de fuentes, principalmente aprendizaje de refuerzo a partir de la producir imágenes ilimitadas e
datos de Internet. Un modelo se entrena en retroalimentación humana (RLHF) para infinitamente creativas, entablar
GPU, produciendo un modelo base que es alinearlos más estrechamente con las conversaciones con los usuarios, resumir
altamente capaz, pero no alineado con las preferencias humanas y, en el caso de los LLM, documentos y escribir código.
preferencias humanas. interactúan en un formato conversacional o de
"chat".
En marzo de 2023, OpenAI lanzó GPT-4, el modelo de también se desarrollará durante el próximo año, como
lenguaje grande más capaz jamás creado. También BloombergGPT, un modelo diseñado específicamente para
alineado con RLHF, GPT-4 aprobó de manera casos de uso financiero. Un número cada vez mayor de estos
impresionante muchos exámenes diseñados para modelos será entrenado y lanzado durante el próximo año.
evaluar la capacidad humana en el percentil 90 o
superior, incluidos varios exámenes AP y el examen de
Los modelos generativos se están integrando en Google
barra. En diciembre de 2022, Anthropic anunció una
Workspace y Microsoft Office, lo que permite ganancias de
versión beta cerrada de Claude, un LLM con capacidades
productividad masivas para los usuarios comerciales. Estas
de chat similares a ChatGPT y un enfoque para la
herramientas lo ayudan a escribir el primer borrador de un
alineación humana basado en “IA constitucional, ” donde
documento, generar presentaciones completas a partir de un
la supervisión humana se proporciona a través de una
solo aviso o analizar y visualizar automáticamente datos
lista de reglas o principios. En marzo de 2023, Google
financieros en una hoja de cálculo Las plataformas de
lanzó Bard, su IA conversacional basada en el modelo
software empresarial como Salesforce están permitiendo a
LaMDA de Google. Varias otras empresas también están
los analistas y ejecutivos obtener nuevas perspectivas sobre
construyendo grandes modelos de lenguaje, incluidos los
los datos utilizando IA generativa.
laboratorios AI21, Carper AI, Stability AI y Cohere. Los
modelos específicos de dominio
Zeitgeist: Informe de preparación de IA de 2023 05
REVISIÓN DEL AÑO AI REVISIÓN DEL AÑO AI

Las capacidades significativamente

mejoradas de los modelos generativos en
2022 impactaron enormemente las
estrategias de IA de las empresas, con un
65 % acelerando sus estrategias existentes
o creando una estrategia de IA por primera
vez.

“Creo que para esta década, lo que realmente

Si bien la mayoría de los encuestados
(60 %) está experimentando con vamos a ver es la proliferación de estas
modelos generativos o planea trabajar herramientas. Van a estar en todas partes. Se
con ellos el próximo año, solo el 21 %
tiene estos modelos en producción. Las van a hornear en todas las empresas. Creo
empresas ven el potencial de los
que es como la transición a Internet. Si eres
modelos generativos para mejorar su
negocio, pero ponerlos en producción una empresa, ¿cuál es tu estrategia de
es un desafío.
Internet? Y aquí estamos hoy, donde ni
Para desbloquear el poder de sus datos y
aprovechar al máximo estos modelos, las siquiera hablamos de estrategias de internet.
empresas necesitan experiencia en
Es tan integral para cada negocio. No es una
aprendizaje automático, infraestructura
de ajuste fino y los recursos para realizar parte separada de su negocio que puede
RLHF a escala.
escoger o elegir si la va a tener. Y creo que la
IA va a ser más o menos lo mismo”.

! GREGBROCKMAN,
PRESIDENTE Y CO " FUNDADOR , ABIERTO

(TransformX octubre de 2022)

aceleró sus estrategias existentes

o creó una estrategia de IA por
sesenta y cinco%
primera vez

06 Escala Zeitgeist: Informe de preparación de IA de 2023 07

REVISIÓN DEL AÑO AI REVISIÓN DEL AÑO AI

La mayoría de las empresas no tienen los recursos ni el El 61 % de las empresas recurren a la IA

mandato necesarios para crear sus propios modelos para ayudar a mejorar la personalización.

generativos, por lo que deben confiar en terceros. De er experiencia, 56% para mejorar la
aquellas empresas que planean trabajar con modelos eficiencia operativa y 50% para
generativos, la gran mayoría busca aprovechar modelos aumentar la rentabilidad. Centrarse
generativos de código abierto (41 %) o modelos generativos en el cliente beneficia enormemente
de API en la nube (37 %), mientras que muy pocas buscan a las organizaciones, con una mejor
construir sus propios modelos generativos (22 %). reputación del cliente a corto plazo y
una mayor rentabilidad a largo
plazo.
Además, el 28 % usa exclusivamente modelos de código abierto,
mientras que el 26 % usa API en la nube (modelos disponibles El 89 % de las empresas que adoptan la IA se

comercialmente como Claude de Anthropic, GPT-4 de OpenAI y benefician de la capacidad de desarrollar nuevos

Command de Cohere), y solo el 15 % construye exclusivamente productos o servicios, el 78 % de las experiencias

los suyos propios. mejoradas de los clientes y el 76 % de una mejor

colaboración entre las funciones comerciales. Estas

empresas también ven una mejora en la eficiencia y

Hay múltiples factores que las empresas deben la rentabilidad de los procesos organizacionales. A

sopesar al decidir sobre su infraestructura de IA pesar de los resultados positivos para los

generativa, incluida su experiencia interna en adoptantes de IA, son posibles resultados aún

aprendizaje automático, presupuesto, requisitos de mayores a medida que las empresas aceleran sus

seguridad y necesidad de capacidades específicas de estrategias de IA y aumentan sus inversiones en IA.

dominio. Aprovechar un proveedor de la nube es el

camino más fácil y rápido para obtener capacidades
generativas, pero conlleva un mayor riesgo de Los objetivos de una organización también dan forma a

seguridad, menos control sobre los modelos la efectividad de su implementación de IA. Aquellas

subyacentes, un rendimiento de menor calidad en empresas que enumeran la demanda de los accionistas/

tareas específicas del dominio y puede ser costoso. inversionistas como el principal objetivo para la

Los modelos de código abierto brindan más control adopción de IA también muestran los peores resultados

y son más baratos, pero requieren más experiencia en cuanto a experiencia del cliente, ingresos y

interna para implementarlos y ajustarlos. Las rentabilidad. Para garantizar el éxito con una

empresas que buscan construir sus propios modelos implementación de IA, las organizaciones deben evitar

generativos se benefician de un mayor control, pero implementar IA por el simple hecho de implementar IA,

incurren en mayores costos por la recopilación de sino que deben asegurarse de que los objetivos de una

datos, el cálculo y la contratación de expertos en implementación de IA estén alineados con las

aprendizaje automático para capacitarlos e prioridades de la empresa y que la IA sea una buena

implementarlos. solución para un problema determinado.

08 Escala Zeitgeist: Informe de preparación de IA de 2023 09

REVISIÓN DEL AÑO AI
un nuevo
Era Los modelos generativos ya están
transformando la forma en que creamos arte,
entendemos nuestro mundo y hacemos
negocios.
Los modelos de lenguaje grande nos ayudan a escribir contenido
como blogs, correos electrónicos o textos publicitarios de
manera más rápida y creativa. Resume el contenido de formato
largo para que podamos comprender rápidamente la
información más crítica de los informes y artículos de noticias.
Los modelos Di!usion agilizan los flujos de trabajo de marketing,
lo que permite a los especialistas en marketing generar
imágenes de productos ilimitadas e infinitamente creativas. Los
desarrolladores usan LLM para escribir código de manera más
eficiente y ayudarlos a identificar y corregir errores rápidamente.
Los chatbots avanzados permiten a las empresas mejorar su
servicio al cliente a un costo menor. Finalmente, las
organizaciones están desbloqueando el poder de sus bases de
conocimiento al personalizar LLM con sus datos para
desempeñarse mejor en tareas exclusivas de su negocio.
Ahora veremos algunos términos clave y tendencias
esenciales para comprender esta nueva era de IA
generativa.
10
Los modelos están aumentando de tamaño
Con el tiempo, los modelos generativos se han vuelto más capaces a
medida que aumentan de tamaño. El tamaño del modelo
generalmente se determina por el tamaño de su conjunto de datos de
entrenamiento medido en tokens (partes de palabras) o por su
número de parámetros (el número de valores que el modelo puede
cambiar a medida que aprende).
• BERT (2018) fue 3.7B tokens y 240 millones de parámetros.
• GPT-2 (2019) fue de 9.500 millones de tokens y 1.500 millones de parámetros.
• GPT-3 (2020) tiene 499 mil millones de tokens y 175 mil millones de parámetros.
• Palma (2022) fue 780B tokens y 540 mil millones de parámetros.
A medida que estos modelos escalan en tamaño, se vuelven cada
vez más capaces, lo que brinda más incentivos para que las
empresas creen aplicaciones en la parte superior. Los modelos
generativos ahora están más disponibles, ya que muchos
desarrolladores de modelos grandes proporcionan API o los
hacen de código abierto, y las empresas están adoptando
rápidamente estos modelos grandes para
Escala Zeitgeist: Informe de preparación de IA de 2023
REVISIÓN DEL AÑO AI
sus casos de uso comercial específicos.
Los modelos generativos se entrenan en una gran cantidad
de datos de Internet, lo que los convierte en generalistas
competentes. Estos modelos pueden escribir poesía, resolver
acertijos lógicos e identificar errores en el código. Si bien los
modelos generativos son grandes generalistas, son malos
especialistas cuando resuelven problemas fuera de su
distribución de datos. Dado que una parte significativa de los
datos es propiedad de organizaciones individuales, los
modelos básicos de lenguaje extenso no se adaptan bien a
estos dominios específicos.
Para mejorar el desempeño en las tareas específicas de,
por ejemplo, una compañía de seguros, una empresa de
comercio electrónico o una empresa de logística, estos
modelos deben ajustarse y alinearse para sobresalir en
esas tareas particulares y brindar respuestas que sean
útiles para clientes y empleados.
11
REVISIÓN DEL AÑO AI
Aprendizaje por refuerzo a partir de la
retroalimentación humana (RLHF)
Aunque el aprendizaje por refuerzo a partir de la
retroalimentación humana (RLHF) no es nuevo para la comunidad
de investigación, en 2022 se catapultó en popularidad, ya que fue
un ingrediente fundamental en el éxito de ChatGPT.
En lugar de intentar escribir una función de pérdida con la que
entrenar un modelo, RLHF implica solicitar comentarios de usuarios
humanos y entrenar un modelo de recompensa con esos comentarios.
Este modelo de recompensa definido por humanos se usa luego para
entrenar un modelo base. Esto también permite entrenar con muchos
más datos, ya que el modelo de recompensa imita los comentarios
humanos, por lo que el tamaño del conjunto de datos ahora solo está
limitado por la cantidad de indicaciones que puede crear.
Resultados de sintonización RLHF en modelosmejor alineado con las
preferencias humanas , produciendo respuestas más detalladas y
fácticas.
RLHF también define la "personalidad" y el "estado de ánimo" del
modelo, lo que lo hace más útil, amigable y fáctico de lo que sería
el modelo base. Esto significa que obtenemos respuestas del
modelo que se sienten más humanas y menos parecidas a hablar
con una máquina. RLHF es un componente fundamental para el
éxito de los LLM recientes y también es fundamental para
garantizar que las empresas que utilizan IA generativa obtengan
respuestas modelo que se alineen con sus políticas y marcas.
12
ChatGPT
ChatGPT es un modelo de lenguaje grande que se ha
ajustado específicamente para la tarea de generación de
texto conversacional. ChatGPT se entrenó con RLHF y datos
en formatos de diálogo para permitirle actuar como un
chatbot conversacional.
ChatGPT se convirtió rápidamente en uno de los lanzamientos de productos
más impactantes de todos los tiempos, llegando a 1 millón de usuarios en
solo cinco días y actualmente cuenta con más de 100 millones de usuarios.
ChatGPT se lanzó inicialmente con GPT-3.5, pero ahora
también incluye GPT-4 para los suscriptores de ChatGPT plus.
Estos modelos son altamente capaces de responder
preguntas, generar contenido y resumir. Si bien estos
modelos brindan respuestas más sólidas, informativas y
creativas que sus predecesores, el verdadero avance para su
adopción fue su capacidad para mantener conversaciones
con humanos. La capacidad de interactuar con los modelos
de manera intuitiva aumentó la accesibilidad de los modelos
para que cualquiera pueda usarlos.
Escala
REVISIÓN DEL AÑO AI
Ingeniero rápido
2022 también vio la proliferación de un nuevo rol para los equipos de
aprendizaje automático, el "ingeniero rápido". Si bien los modelos
generativos son competentes para generar el resultado deseado para
los casos de uso comercial, se requiere el aviso correcto para
optimizar la efectividad del modelo. Los ingenieros de Prompt
elaboran cuidadosamente las entradas de lenguaje natural para
obtener respuestas más consistentes y confiables de los modelos, de
modo que los resultados del modelo se puedan usar en aplicaciones
comerciales. En lugar de escribir una consulta SQL, estos ingenieros
elaboran indicaciones de lenguaje natural finamente perfeccionadas.
Por ejemplo, al integrar aplicaciones con LLM, las variadas
respuestas del modelo pueden romper la integración si no están
formateadas correctamente. Digamos que está creando una
aplicación que trata con datos financieros. La entrada de un
usuario puede estar relacionada con las ganancias del cuarto
trimestre de una empresa en particular (ver gráfico a la derecha).
Los ingenieros rápidos ayudan a modelar respuestas para
resolver desafíos comerciales con mayor precisión, eficiencia y
calidad. También aseguran que las respuestas se alineen con las
pautas y la voz de la marca de una organización. También son
fundamentales para encontrar vulnerabilidades en los modelos
mediante el uso de técnicas de inyección rápida y ayudando para
resolver esas vulnerabilidades antes de que lo haga un empleado
o cliente.Este rol es muy valioso para garantizar la
implementación exitosa de modelos generativos en las
organizaciones.
Zeitgeist: Informe de preparación de IA de 2023 13
REVISIÓN DEL AÑO AI
“Una de las formas en que describo Stable Di!
lusion es como un motor de búsqueda
generativo. Ya no necesita usar la búsqueda
de imágenes porque puede crear la imagen.
Al poner esto en una tubería en el lugar
correcto y tener interacciones humanas en
el circuito como el trabajo que hace en Scale
AI, comprender cómo los humanos hacen
eso a escala y tener estos motores, nos
permitirá tener incluso mejores experiencias
que entienden lo que queremos”.
! EMADMOS TA QUE,
FUNDADOR Y CEO , S TA BILITYAI
(TransformX octubre de 2022)
14
REVISIÓN DEL AÑO AI
Qué esperar en 2023
Los datos propietarios desbloquearán el
Mayor inversión en IA poder de los modelos generativos
Como la IA generativa ahora es más capaz y está ampliamente Por sí mismos, los modelos generativos básicos son
disponible, las empresas la están incorporando rápidamente a herramientas valiosas. Junto con los datos de propiedad de
sus operaciones. El 72 % de las empresas aumentará una empresa, se convierten en fuertes diferenciadores,
significativamente su inversión en IA cada año durante los mejorando la experiencia del cliente, el desarrollo de
próximos tres años. productos y la rentabilidad.
Aumento de las capacidades de los modelos
generativos
Muchas organizaciones ahora están construyendo sus propios
“Lo que más me emociona es... la posibilidad de
modelos generativos grandes. Estos modelos se están
que nuestros modelos comiencen a usar
incorporando a los motores de búsqueda y se combinan con otras
herramientas, incluidas las bases de conocimiento internas, para herramientas en el mundo. Dándoles acceso a
convertirse en poderosas herramientas comerciales. Estos
bases de conocimientos, brindándoles acceso a
modelos también se volverán multimodales, lo que significa que
podrán consumir y generar texto, imágenes y video, haciéndolos motores de búsqueda como Google o Bing, y
aún más útiles de lo que son hoy. Puede cargar un catálogo de aumentándolos con ese conocimiento como un
productos con imágenes y texto en un modelo multimodal, y
recurso para que, en lugar de tener que memorizar
reconocerá productos específicos, escribirá descripciones de
todos estos datos, puedan hacer referencia a un
productos, completará los atributos faltantes y generará nuevas
imágenes para enriquecer su catálogo de productos sitio web en vivo, actualizado y actualizado. base de
automáticamente.
conocimientos. Creo que eso va a ser súper
impactante”.
Accesibilidad generalizada de modelos
generativos
! AIDANGOMEZ, director
Al igual que la nube, los modelos generativos ampliamente ejecutivo, COHERE
accesibles representan un cambio de paradigma para las
(TransformX octubre de 2022)
empresas. La incorporación de este tipo de IA se convertirá
rápidamente en el statu quo, y aquellos que tarden en adoptar se
quedarán atrás.
Escala Zeitgeist: Informe de preparación de IA de 2023 15
 Tendencias de adopción
Adopción de IA Los líderes empresariales han identificado que la IA es
fundamental para el futuro de sus empresas y buscan
adoptarla lo más rápido y con el mayor impacto posible.
Examinamos esta tendencia y proporcionamos
conocimientos sobre las mejores prácticas.
El 59 % de las empresas considera que la IA es crítica o
muy crítica para su negocio en el próximo año, y el 69 %
en los próximos tres años. Las crecientes capacidades y
disponibilidad de la IA generativa acelerarán la
adopción de la IA.
Zeitgeist: Informe de preparación de IA de 2023
72%
de las empresas buscan aumentar
su inversión en IA cada año
durante los próximos tres años
A medida que las empresas ven a la IA como más crítica para
el éxito futuro de su negocio, están aumentando las
inversiones en IA durante los próximos tres años. El 72% de
las empresas planea aumentar su inversión en IA cada año
durante los próximos tres años.
17

Las empresas dedican menos tiempo y esfuerzo a las de las empresas que fabrican
aplicaciones tradicionales de visión artificial y, en cambio, se
inversiones significativas en IA:
centran en los LLM y la IA generativa. De las empresas que
52%
realizan inversiones significativas en IA, el 52 % invierte
están invirtiendo
fuertemente en LLM, el 36 % en modelos visuales generativos y
fuertemente en LLM
el 30 % en aplicaciones de visión artificial. Con las capacidades
recientemente popularizadas de los LLM, las empresas han
36%
cambiado rápidamente sus estrategias de IA para aprovechar el
poder de la IA generativa. están invirtiendo fuertemente
en visuales generativos
modelos
30%
están invirtiendo en
modelos de visión artificial
18 Escala
¿Qué resultados obtienen las empresas que adoptan la IA?
Como se mencionó anteriormente, las
empresas que adoptan la IA obtienen
resultados positivos gracias a la mejora
de las experiencias de los clientes, la
capacidad de desarrollar nuevos
productos o servicios y mejorar los
productos existentes, y una mejor
colaboración entre las funciones
comerciales.
En general, las empresas que adoptan la
IA están logrando resultados positivos en
casi todas las categorías. Al igual que
cualquier programa de tecnología, el
éxito de los programas de IA depende de
la capacidad de implementar la IA y
alinear los esfuerzos de implementación
con objetivos organizacionales medibles.
“Realmente creo que hoy nos encontramos en un momento transformador en el que ML se está moviendo a un ritmo increíble.
velocidad y problemas que hace unos años se pensaba que eran demasiado complejos para resolver con computadoras, ahora se
están resolviendo aplicando el aprendizaje automático. Así que tenemos esta gran oportunidad. Si el aprendizaje automático se
vuelve más accesible, el mundo se moverá más rápido, nuestra economía se moverá más rápido, la ciencia se moverá más rápido”.
! CHOLLET,
FRANCOISAIINGENIERO
ANDRÉS INVESTIGADOR , GOOGLE
(TransformX octubre de 2022)
Zeitgeist: Informe de preparación de IA de 2023 19
¿Qué recursos sienten las empresas que tienen suficientes
para implementar con éxito sus estrategias de IA? ¿Qué
recursos les faltan?

Las empresas que consideran que la IA es fundamental para su Si bien los líderes han identificado la necesidad de adoptar IA, la
“Como producto de esta escasez de talento en IA,
negocio indican que cuentan con el apoyo ejecutivo, la estrategia, la ejecución de estas estrategias es difícil, matizada y depende en
visión y el presupuesto que necesitan para tener éxito en la gran medida de la experiencia. El campo se mueve tan rápido la mayoría de las empresas se están perdiendo una enorme

implementación de la estrategia de IA de su empresa. Sin embargo, que es difícil mantenerse al día con el ritmo de avance. Las
oportunidad de integrar esta tecnología en
estas empresas generalmente carecen de la experiencia, el software y personas altamente talentosas con experiencia en IA generativa
las herramientas necesarias para lograr el éxito. simplemente no están disponibles para la mayoría de las productos y en los flujos de trabajo de sus desarrolladores.

organizaciones. Del mismo modo, seleccionar, estandarizar y

Los consumidores se están perdiendo productos que
actualizar el software y las herramientas asociadas con IA
generativa, MLOps e incluso DevOps es un desafío para las tener más mágico, intuitivo e inteligente
empresas que no cuentan con equipos dedicados para
experiencias. El comienzo de la solución viene con
mantenerse al día con estos cambios, ya que las pilas
tecnológicas necesarias están en constante evolución. la gente del producto que toma la decisión sobre

lo que se prioriza, viendo lo que pueden

hacer, entender dónde está la tecnología

hoy, y donde podrían insertarlo, y luego

construyéndolo Creo que tenemos que empezar a hacer de la IA una

pieza estándar de cada producto. No

creo que los consumidores van a tolerar tontos

productos más. tenemos que hacerlos

mucho, mucho más inteligente”.

! AIDANGÓMEZ,

CEO, COHERE

(TransformX octubre de 2022)

20 Escala
PRINCIPALES CASOS DE USO POR INDUSTRIA PRINCIPALES CASOS DE USO POR INDUSTRIA

Adopción de IA
por Industria
80%
Todas las industrias buscan aumentar
sus presupuestos de IA en los
próximos tres años. Los que
encabezan la lista son: Seguro

79% 77%
Logística y Financiero
Si bien todas las industrias están aumentando sus presupuestos de IA, cada

industria tiene casos de uso únicos. Estos van desde compañías de seguros

Cadena de suministro Servicios que buscan reducir los tiempos de procesamiento de reclamos hasta

compañías de comercio electrónico que implementan chatbots de servicio al

cliente. Examinamos cómo algunas industrias clave están adoptando la IA

75% 74%
en 2023.

Cuidado de la salud & Minorista &

Ciencias de la vida comercio electrónico

22 Escala Zeitgeist: Informe de preparación de IA de 2023 23

PRINCIPALES CASOS DE USO POR INDUSTRIA
Seguro
Las compañías de seguros recurren a la
IA para que les ayude a mejorar la
experiencia del cliente y mejorar la
eficiencia operativa.
Para ayudar a lograr estos objetivos, las
compañías de seguros buscan adoptar IA
para mejorar el procesamiento de reclamos,
la detección de fraudes y la evaluación/
suscripción de riesgos.
Para el procesamiento de reclamos en
particular, las compañías de seguros creen
que la IA puede ayudar a reducir el tiempo
para procesar los reclamos y reducir los
errores de procesamiento, lo que dará
como resultado una mejor experiencia para
sus clientes y una mayor eficiencia
operativa.
24
PRINCIPALES CASOS DE USO POR INDUSTRIA
Comercio minorista y comercio electrónico
Las empresas minoristas y de comercio
electrónico recurren a la IA para aumentar
sus ingresos, mejorar la experiencia del
cliente y aumentar la eficiencia operativa.
Para ayudar a lograr estos objetivos, las
empresas minoristas y de comercio
electrónico están adoptando IA para
mejorar la experiencia del cliente con
chatbots más capaces. También quieren
mejorar la eficiencia operativa con
contenido más productivo y operaciones
de marketing basadas en imágenes y
descripciones de productos generadas por
IA. Estas empresas también están
mejorando su eficiencia operativa con
mejores pronósticos, compras, precios y
gestión de inventario. Las empresas
minoristas y de comercio electrónico no se
están enfocando en adoptar IA para
aumentar los ingresos directamente, sino
que indirectamente buscan influir en el
crecimiento de los ingresos con un
aumento operativo.
eficiencia y una experiencia
de cliente mejorada.
Escala Zeitgeist: Informe de preparación de IA de 2023 25
PRINCIPALES CASOS DE USO POR INDUSTRIA PRINCIPALES CASOS DE USO POR INDUSTRIA

Servicios financieros Servicios financieros

Las empresas de servicios financieros
recurren a la IA para que les ayude a mejorar
la experiencia del cliente, aumentar los
ingresos y aumentar la eficiencia operativa.
Para ayudar a lograr estos objetivos, las
empresas de servicios financieros buscan
El resumen de contenido incluye resumir
fuentes de datos como estados financieros,
datos históricos, noticias y redes sociales.
La detección de tendencias está aplicando
IA a los datos para ayudar a identificar
patrones que los humanos no están
preparados para detectar.

adoptar IA para mejorar la investigación de

inversiones, la detección de fraudes, la

automatización de procesos orientados al

cliente y potenciar chatbots personalizados.

Las empresas de servicios financieros

Para la investigación de inversiones en utilizan estados financieros, datos históricos

particular, las empresas de servicios del mercado y datos de terceros en sus

financieros están aplicando IA para modelos de inversión. Son menos los que

resumir contenido, detectar tendencias y confían en el contenido de las redes sociales

clasificar temas para mejorar las y las imágenes geoespaciales/de satélite.

decisiones de inversión, lo que resulta en

mayores ingresos y una mayor eficiencia
operativa. Al mejorar sus decisiones de
inversión, estas organizaciones mejorarán
indirectamente la experiencia del cliente a
través de rendimientos presumiblemente
más altos.

26 Escala Zeitgeist: Informe de preparación de IA de 2023 27

PRINCIPALES CASOS DE USO POR INDUSTRIA
Logística y cadena de suministro
Las empresas de logística y cadena de
suministro adoptan la IA para ayudarlas a
mejorar la eficiencia operativa, mejorar la
experiencia del cliente y aumentar los
ingresos.
Para ayudar a lograr estos objetivos, las
empresas de logística y cadena de
suministro buscan adoptar IA para una
mejor gestión de inventario y pronóstico
de demanda, optimización de rutas
mejorada, para implementar vehículos
autónomos y mejorar el rendimiento y la
calidad del procesamiento de documentos.
Estas herramientas impactan directamente
en la eficiencia operativa, lo que tiene
impactos posteriores en la experiencia
general del cliente, con una entrega
confiable y menos demoras.
Para la gestión de inventario y el pronóstico
de la demanda, las empresas de logística y
cadena de suministro están adoptando IA
para ayudar a reducir costos, mejorar la
satisfacción del cliente y mejorar la
precisión del pronóstico.
28
PRINCIPALES CASOS DE USO POR INDUSTRIA
Logística y cadena de suministro
Para las empresas de planificación de rutas,
logística y cadena de suministro, creen que la IA
puede ayudar a mejorar la eficiencia, reducir los
costos, mejorar la precisión de las entregas y
reducir los tiempos de envío. Esto se traduce
directamente en una mayor eficiencia operativa y
una mejor experiencia del cliente, mientras que
indirectamente se traduce en un crecimiento de
los ingresos. .
Las empresas de procesamiento de
documentos, logística y cadena de suministro
recurren a la IA para que les ayude con el
procesamiento de la información, la
clasificación de documentos y el
cumplimiento. Esta aplicación está
estrictamente dedicada a aumentar la
eficiencia operativa y reducir los costos.
Las empresas de logística y cadena de
suministro procesan mucho papeleo. Para
mejorar la eficiencia operativa, esta
documentación debe procesarse de la
manera más rápida y precisa posible. Los
documentos de logística, como los
conocimientos de embarque, las facturas
comerciales y las listas de empaque están
llenos de información crítica necesaria para
que los envíos pasen por la aduana y
lleguen a los almacenes para su
distribución. Las aplicaciones tradicionales
de OCR requieren la creación de plantillas
para cada tipo de documento, lo cual es
inviable e ineficiente para las empresas de
logística global. En cambio, estas empresas
confían en el procesamiento de
documentos basado en el aprendizaje
automático, que no requiere plantillas y
aún procesa los documentos a más de95%
de precisión.
Escala Zeitgeist: Informe de preparación de IA de 2023 29
 Trabajar con modelos de base
A fines de 2022, los modelos de base más utilizados fueron BERT,
Ciclo de vida de aprendizaje automático GPT-3, Stable Di!usion, BLOOM y T5/FLAN.
Sin embargo, este panorama está cambiando rápidamente a medida que se desarrollan modelos generativos cada vez más poderosos.*

BERT desempeña un papel crítico pero más silencioso en muchas hasta modelos de última generación como GPT-4. El cómputo

organizaciones hoy en día, proporcionando capacidades de requerido para ejecutar estos modelos más sofisticados se volverá

comprensión del lenguaje natural a un costo significativamente más barato con el tiempo, y las empresas tendrán más herramientas

reducido en comparación con modelos más grandes como GPT-3. y experiencia de terceros disponibles para ayudar a integrar estos

modelos más grandes en sus operaciones. Los modelos de código

Sin embargo, esta tendencia está cambiando ya que BERT no es un modelo abierto como LLaMA ya se están optimizando para ejecutarse en

generativo, por lo que sus casos de uso son limitados en comparación computadoras portátiles de consumo.

AYUDE A MEJORAR ESTAS PERSPECTIVAS

¡Apreciaríamos su ayuda para mejorar esta información! Dado el rápido progreso de la IA generativa y la introducción
frecuente de nuevos modelos, tenemos curiosidad por saber qué modelos son ahora los más adoptados. Por favor
tome un momento parallenar la encuesta.

* (ChatGPT/GPT-3.5/GPT-4 no se incluyeron en esta encuesta ya que la recopilación de encuestas comenzó a fines de 2022 antes de que se lanzaran estos modelos)

Zeitgeist: Informe de preparación de IA de 2023 31

Como se discutió anteriormente, de aquellas empresas que
planean trabajar con modelos generativos, la gran mayoría
Desafíos de datos
busca aprovechar los modelos generativos de código abierto
(41 %) o los modelos generativos de API en la nube (37 %),
mientras que muy pocas buscan construir los suyos propios.
modelos generativos (22%).

La mayoría de las empresas que utilizan LLM de API en

la nube utilizan OpenAI (64 %), seguidas de AI21labs
(26 %) y Cohere (26 %). Google y Anthropic lanzaron
recientemente sus propios LLM, y varias otras
empresas esperan lanzar sus propios modelos en
2023.

Para obtener el máximo valor de los grandes modelos generativos,

64%
muchas empresas necesitarán ajustar los modelos básicos utilizando

sus bases de conocimiento y datos patentados. Los mayores desafíos

para el ajuste fino de los modelos básicos son la adquisición de datos

de entrenamiento y la infraestructura de ML necesaria. A las

organizaciones que trabajan con modelos generativos les resulta

26%
desafiante y requiere muchos recursos ajustar sus modelos

internamente. Las técnicas más efectivas, como RLHF, requieren que La calidad de los datos sigue siendo la parte más

los humanos apliquen comentarios a los resultados del modelo, desafiante de la adquisición de datos de entrenamiento,

software personalizado y conjuntos de habilidades especializadas seguida de cerca por la recopilación de datos. Los

26%
para garantizar una alta calidad y limitar los sesgos humanos en los desafíos para adquirir datos de capacitación son casi

modelos. idénticos a los hallazgos de la encuesta del año pasado.

La selección de datos y la calidad de las anotaciones

siguen siendo los principales desafíos para las empresas

que preparan datos de entrenamiento para modelos. El

mayor cambio interanual fue que lleva demasiado tiempo

obtener datos etiquetados (por lo general, más de un

mes), con el 21 % de los encuestados citando esto como

su desafío número 1, frente a solo el 13 % hace un año.

Las empresas buscan moverse más rápido para etiquetar

sus datos, pero es difícil mantenerse al día.

32 Escala Zeitgeist: Informe de preparación de IA de 2023 33

 Mejores prácticas de datos
La mayoría de los encuestados siguen teniendo problemas con sus datos de
Las empresas que invierten en una buena infraestructura de anotación de datos pueden
entrenamiento.
implementar nuevos modelos, volver a capacitar los existentes e implementarlos en
producción más rápido.

La mayoría de los encuestados continúan enfrentando problemas con

la calidad de sus datos de entrenamiento. El ruido de datos sigue

siendo el problema número uno (64 %), seguido del sesgo de datos

(50 %) y las brechas de dominio (43 %).

Nuestros datos muestran que parece haber una correlación entre

los equipos que obtienen datos anotados más rápido y los equipos

que implementan nuevos modelos en producción más rápido y

pueden actualizar los modelos existentes con más frecuencia.

34 Escala Zeitgeist: Informe de preparación de IA de 2023 35

 Evaluación del modelo

Si bien la mayor parte del informe se ha centrado en RLHF y Tal como lo descubrimos en 2022, medir el impacto comercial de

IA generativa, las empresas aplican el aprendizaje los modelos sigue siendo un desafío, especialmente para las

Los encuestados que solo etiquetan sus datos manualmente clasifican con clasifican la calidad del etiquetado como su desafío número uno, en automático de muchas maneras diferentes, desde la nuevas empresas o las empresas muy pequeñas (aquellas con

mayor frecuencia la calidad del etiquetado como su desafío número uno en comparación con el 47 % que usa el etiquetado automatizado y solo detección de objetos hasta los sistemas de recomendación. menos de 250 empleados). Estas empresas confían más en las

la preparación de datos de capacitación, mientras que aquellos que el 44 % que usa el etiquetado humano en el circuito. La combinación Un componente crítico de estos sistemas ML de producción métricas de modelos agregados, ya que están creando productos

aprovechan el etiquetado automatizado y humano en el ciclo clasifican este de etiquetado automatizado máshumano-en-el-bucle se recomienda es cómo las empresas evalúan y monitorean su desempeño. y una base de clientes, por lo que el impacto empresarial es difícil

desafío con menos frecuencia. El 60% de los encuestados aprovecha el como la mejor práctica, ya que casi siempre supera la precisión y la de medir. Sin embargo, las organizaciones pequeñas y medianas

etiquetado manual de alguna manera eficiencia de cualquiera de los dos por separado. (500-9999 empleados) están midiendo el impacto empresarial más

de lo que solían. incluso hace un año, en alrededor del 73% ahora

(en comparación con el 55% en la encuesta del año pasado).

36 Escala Zeitgeist: Informe de preparación de IA de 2023 37

Las empresas más grandes tardan más en identificar problemas en los modelos
Como en el informe del año pasado, las organizaciones más
pequeñas generalmente pueden identificar problemas con sus
modelos rápidamente, en menos de una semana. Es más
probable que las empresas más grandes (aquellas con 5000
empleados o más) midan el impacto comercial, pero es más
probable que las más pequeñas tarden más (un mes o más) en
identificar problemas con sus modelos.
Estas empresas más grandes están operando sistemas complejos a
escala, y es menos probable que los problemas que enfrentan causen
un impacto comercial inmediato, por lo que no son
38
atrapados tan rápido como las nuevas empresas o las pequeñas
empresas, que operan sistemas más simples y monitorean de cerca
las métricas del modelo. Además, estas empresas más grandes suelen
tener una base de clientes más grande, por lo que sus usuarios
encontrarán más casos extremos que las empresas más pequeñas.
Por estas razones, es importante que a medida que las empresas
escalan, refinan continuamente sus prácticas de MLOps, utilizan
curación de datos herramientas que pueden ayudarlos a identificar
casos extremos y monitorear sus modelos mientras continúan
midiendo el impacto comercial.
Escala
Métodos de evaluación del modelo frente al tiempo de implementación
Como descubrimos en el informe del año pasado, es más probable que
los equipos de ML que identifican los problemas más rápido con sus
modelos utilicen pruebas A/B al implementar modelos.
Las métricas agregadas son una línea de base útil, pero a medida que
las empresas desarrollan una práctica de modelado más sólida,
herramientas como "implementaciones en la sombra", ensamblaje,
pruebas A/B e incluso pruebas de escenarios pueden ayudar a validar
modelos en escenarios de casos extremos desafiantes o clases raras.
Si bien hemos cubierto las mejores prácticas para evaluar
modelos, debemos tener en cuenta que, por primera vez, el
rendimiento de los modelos de IA generativa es casi
imposible de evaluar automáticamente. Esto se debe a que el
modelo tiene muchas formas de responder.
Zeitgeist: Informe de preparación de IA de 2023
Aunque los equipos pequeños y ágiles de las empresas más
pequeñas pueden encontrar modos de falla, problemas en sus
modelos o problemas en sus datos antes que los equipos de las
grandes empresas, sus estrategias de validación, prueba e
implementación suelen ser menos sofisticadas. Por lo tanto, con
modelos más simples que resuelven problemas más uniformes
para clientes y clientes, es más fácil detectar fallas. Cuando el
sistema crece para incluir un gran mercado o incluso un gran
personal de ingeniería, la complejidad y la deuda técnica
comienzan a crecer. A escala, las pruebas de escenarios se
vuelven esenciales, e incluso entonces, puede llevar más tiempo
detectar problemas en un sistema más complejo.
apropiadamente, y se requiere juicio humano para evaluar
la corrección. Eso significa que cualquier evaluación sólida
del modelo, ya sea que la realice un creador de modelos
generativos o una empresa, requerirá una validación y
verificación humana en el ciclo de forma continua.
39
Conclusión
La IA generativa está transformando
rápidamente el mundo, y las empresas deben
comprender cómo adoptar esta tecnología
rápidamente o quedarse atrás.
La tendencia de preparación de IA y ML más significativa ha sido
el enorme impacto de la IA generativa en las empresas, grandes y
pequeñas, en todas las industrias. Si bien el Informe de
preparación de IA de 2022 se centró en empresas con experiencia
interna en aprendizaje automático, el informe de este año
examinó cómo todas las empresas pueden adoptar IA. Este
cambio de enfoque refleja el espíritu de la época: mejoras
dramáticas en las capacidades de la IA generativa para acelerar la
innovación y transformar cada negocio.
Descubrimos que muchas empresas planean trabajar o
experimentar con modelos básicos, pero muchas carecen de
la experiencia y las herramientas para poner estos modelos
en producción. La mayoría de las empresas están adoptando
IA para mejorar la experiencia del cliente, optimizar la
eficiencia operativa o mejorar la rentabilidad. Los modelos
generativos serán cada vez más útiles y ampliamente
accesibles, lo que los hará esenciales para la estrategia
comercial de todas las organizaciones con un impacto similar
al de Internet. de AI están viendo la capacidad mejorada para
desarrollar nuevos productos o servicios, una mejor
experiencia del cliente y una mejor colaboración entre las
funciones comerciales, además de mejores ingresos y
rentabilidad.
40
“Los grandes modelos generativos ya están
dando a las personas un impulso de
productividad. Hemos visto cómo estos sistemas
ayudan a las personas a escribir, codificar,
aprender y más. Esperamos que las capacidades
Las empresas utilizan ampliamente modelos no generativos más
de estos modelos mejoren rápidamente,
antiguos como BERT, pero se han dado cuenta de que deben adoptar
modelos más generativos para mantenerse por delante de la
posiblemente más allá de nuestra imaginación.
competencia. Las empresas que ajustan los modelos básicos
encuentran que sus desafíos más importantes son la adquisición de Si podemos aprender a integrar de forma
datos de capacitación, la infraestructura de ML y la comparación de
experimentos en diferentes modelos. La evaluación humana ha segura la IA en las empresas mediante la
reemplazado a los puntos de referencia como el método de facto para
analizar grandes modelos generativos y determinar cómo
creación de sistemas útiles, inofensivos y
funcionarán en una empresa específica. Las empresas y los gobiernos
honestos, podría tener un efecto transformador
necesitan aprovechar sus datos únicos para desbloquear todo el
potencial de los modelos generativos. en la economía y las industrias tal como las
En Scale, nuestra misión es acelerar el desarrollo de conocemos”.
aplicaciones de IA para impulsar los proyectos de IA más
ambiciosos del mundo. Para apoyar esa misión, nos
complace compartir con usted los resultados del Scale
Zeitgeist: AI Readiness Report. Continuaremos arrojando luz !JAREDKAPLAN
sobre lo que realmente se necesita para adoptar la IA y lo
CIENTÍFICO JEFE, ANTRÓPICO
ayudaremos a separar la señal del ruido.
Escala
 Acerca de
Escala
En Scale, nuestra misión es
acelerar el desarrollo de
aplicaciones de IA. Creemos que
para hacer los mejores modelos,
necesita los mejores datos.
Scale Enterprise Generative AI Platform aprovecha
los datos de su empresa para personalizar potentes
modelos generativos básicos para desbloquear de
forma segura el valor de la IA. Scale Data Engine
consta de todas las herramientas y funciones que
necesita para recopilar, seleccionar y anotar datos
de alta calidad, además de herramientas robustas
para evaluar y optimizar sus modelos. Scale impulsa
los LLM y modelos generativos más avanzados del
mundo a través de RLHF de clase mundial,
generación de datos, evaluación de modelos,
seguridad y alineación.

escala.com

42 Zeitgeist: Informe de preparación de IA de 2023 43

Metodología
Esta encuesta fue realizada en línea dentro de los
Estados Unidos por Scale AI del 15 de diciembre de
2022 al 25 de enero de 2023. Recibimos 2909
respuestas de profesionales de ML (por ejemplo,
ciencias (4 %), medios/entretenimiento/hotelería
(3 %), manufactura (2 %) y otros (6 %).
Muchos de los encuestados (31 %) representan organizaciones que

ingenieros de ML, científicos de datos, operaciones de están avanzadas en su adopción de IA/ML: tienen varios modelos

desarrollo, etc.) y líderes involucrados con IA en sus implementados en producción y se vuelven a capacitar

empresas. Después de limpiar los datos y filtrar a regularmente. Alrededor del 18 % son un poco menos avanzados

aquellos que indicaron que no están involucrados en (tienen varios modelos implementados en producción), mientras

proyectos de IA o ML y/o que no están familiarizados que el 8 % solo tiene un modelo implementado en producción, el

con ningún paso del ciclo de vida del desarrollo de ML, 12 % está desarrollando su primer modelo y el 11 % solo está

el conjunto de datos consistió en 1699 encuestados. evaluando casos de uso.

Examinamos los datos de la siguiente manera: cuando

se les pidió que describieran su nivel de antigüedad en
sus organizaciones, más de un tercio de los
encuestados (37 %) informaron que son colaboradores
individuales, casi una cuarta parte (25 %) dijeron que
funcionan como líderes de equipo , el 33% son jefes de
departamento o ejecutivos y el 4% son propietarios.

El 24 % de los encuestados representa servicios financieros/

seguros, el 22 % representa la industria de software/Internet/
telecomunicaciones, seguido por comercio minorista y
comercio electrónico (13 %), logística y cadena de suministro
(9 %), educación (7 %), negocios y servicios al cliente (6%),
automotriz (5%), salud y vida

Zeitgeist: Informe de preparación de IA de 2023 45