Preparación para la IA
La preparación para la IA contempla las bases de un proyecto: objetivo, datos utilizables, capacidades, responsabilidades y funcionamiento.
Revisar las bases de un proyecto de IA
La preparación para la IA, o AI Readiness, describe hasta qué punto una organización está preparada para un proyecto de IA. Incluye un objetivo de negocio concreto, datos adecuados cuyo uso esté autorizado, integraciones técnicas y las capacidades y responsabilidades necesarias para la operación. Evaluar resultados y gestionar errores también debe formar parte del trabajo. Una evaluación debe indicar el alcance del proyecto y sus criterios. Estar preparado para una prueba limitada no supone una autorización general para cualquier automatización.
Una empresa de servicio ficticia quiere sugerencias de derivación interna para los mensajes entrantes. En el escenario hay mensajes de ejemplo adecuados y autorizados, y asignaciones esperadas revisadas por especialistas del negocio. Sin embargo, el equipo aún no ha reservado tiempo para revisar las sugerencias. Antes del piloto habría que determinar quién comprueba los resultados, realiza las correcciones necesarias y detiene la prueba si surgen problemas. El piloto limitado prevé revisión humana antes de aplicar cada sugerencia. Su preparación se evaluaría según estas condiciones, sin tomar una demostración satisfactoria como prueba de preparación general para la operación.
Fuentes
Términos relacionados
- Evaluación de LLMLa evaluación de LLM comprueba resultados según tareas y criterios definidos. Un buen caso aislado no demuestra calidad general.
- Humano en el circuitoCon el humano en el circuito, una persona participa activamente en un proceso automatizado. Una buena revisión necesita información clara y opciones de intervención.
- Automatización de procesos de negocioLa automatización de procesos de negocio conecta pasos recurrentes con reglas, responsables y vías definidas para las excepciones.
- Ficha de modeloUna ficha de modelo documenta el propósito, las bases, las condiciones de evaluación y los límites conocidos de una versión de un modelo de IA.
- Ingeniería de contextoLa ingeniería de contexto prepara la información de cada llamada al modelo: instrucciones, mensajes, fuentes y estados actuales pertinentes.
- Detección de anomalíasMétodos que señalan observaciones inusuales respecto a una referencia definida o un patrón aprendido.
Artículos sobre el tema
IA y automatización con ASES
Asistentes de IA y procesos automatizados