1. Ingeniería de instrucciones para IA

En IA generativa, en la mayoría de los casos le convendrá elegir un modelo de lenguaje cerrado que no use la información compartida en su aplicación para el entrenamiento de modelos de lenguaje extensos (LLM), cuando estos sean accesibles a personas ajenas a su organización y sus clientes.

Además, también es conveniente restringir el ámbito de las respuestas del modelo para evitar preguntas que no correspondan o la generación de contenido inapropiado. 

Para que sea fácil comenzar y dar el siguiente paso, es recomendable ofrecer orientación con preguntas frecuentes o estándar preconfiguradas y acciones integradas.

2. Arquitectura y contenedorización 

Es probable que su organización ya cuente con una arquitectura de preferencia en términos de proveedor de nube, modelo híbrido o local. 

Si está considerando un cambio, por ejemplo, trabajar con múltiples proveedores de la nube, es útil asegurarse de que su analítica embebida e IA admitan tanto las opciones actuales como futuras de implementación sin necesidad de una renovación o reemplazo considerable.

Si trabaja con un proveedor de analítica embebida basada en IA, es aconsejable preguntarle sobre su compatibilidad actual y su mapa de ruta para la contenedorización.

Esta técnica es cada vez más popular para la analítica embebida basada en IA. Además, la contenedorización permite a los desarrolladores de software desplegar aplicaciones en múltiples entornos sin reescribir el código. 

Los contenedores integrados son componentes ligeros que agrupan código y dependencias, y hacen posible que las aplicaciones se ejecuten en sus sistemas anfitriones con un bajo consumo de memoria y energía.

Los beneficios de la contenedorización para la analítica embebida y la IA incluyen mayor productividad del desarrollador, costos de prueba reducidos, mayor calidad del producto, tiempos de lanzamiento más rápidos y menos problemas de control de calidad (QA). 

3. Automatización y eficiencia operativa 

La automatización afecta el tiempo y el personal que se necesitan para desarrollar, probar e implementar la analítica embebida basada en IA, e influye en la facilidad de la implementación, las actualizaciones y las operaciones diarias. 

Para agregar la analítica embebida basada en IA a su aplicación actual, querrá aprovechar su pila tecnológica actual y prevista, los procesos de desarrollo, seguridad y operaciones (DevSecOps), y los canales de integración y desarrollo continuos (CI/CD).

4. Cumplimiento y confianza

Asegúrese de que la solución de analítica embebida basada en IA o IA generativa cumple con las normativas aplicables en materia de privacidad de datos, como el Reglamento General de Protección de Datos (RGPD) y la Ley de IA en Europa, la Ley de Privacidad del Consumidor de California (CCPA) en Estados Unidos o leyes similares en otras jurisdicciones. 

Esto incluye obtener el consentimiento para la recopilación y el procesamiento de datos, proteger la información de identificación personal (PII) de los usuarios, implementar medidas adecuadas de cifrado y seguridad, y proporcionar a los usuarios control sobre sus datos.

Según el sector en el que se desempeñe, es posible que también deba cumplir con normativas en materia financiera, como la Ley Sarbanes-Oxley y el Estándar de Seguridad de Datos para la Industria de Tarjetas de Pago, o, en el caso del sector de la atención médica en EE. UU., la Ley de Responsabilidad y Portabilidad del Seguro Médico (HIPAA).

Una de las principales preocupaciones en torno a la IA es la confianza. Las “alucinaciones” de la IA pueden dar lugar a respuestas incorrectas o incompletas, y también pueden surgir problemas de sesgo sistémico. Estas son consideraciones importantes a la hora de elegir un proveedor de analítica basada en IA generativa y educar a sus usuarios internos o clientes sobre lo que pueden esperar.

5. Calidad y gobernanza de datos

Defina con precisión las funciones y responsabilidades de la gobernanza de los datos dentro de la organización, incluidos administradores, custodios de datos y comités de gobernanza de datos. 

Asigne las responsabilidades para actividades de gobernanza de datos, como la gestión de la calidad de los datos, la gestión de metadatos y la supervisión del cumplimiento normativo. Prevea cómo medir y garantizar la calidad de los datos.

Considere los procesos de gestión de metadatos para catalogar y documentar los metadatos asociados a los conjuntos de datos de la analítica embebida, incluidas las definiciones de datos, el linaje de datos y las políticas de uso de datos. 

Cuando sea posible, disponga de un repositorio centralizado de metadatos para facilitar la gobernanza, la comprensión y la detección de datos.

6. Modelo explicable y transparencia

Planifique cómo describir los datos empleados para entrenar los modelos y la lógica que subyace al contenido generado por la IA. Además, es recomendable explicar a los usuarios el concepto de “alucinación de IA generativa”, para que comprendan por qué el modelo puede ocasionalmente producir respuestas incorrectas o incompletas.

7. Herramientas de monitoreo y gestión

Querrá que su analítica embebida basada en IA proporcione integraciones con sus herramientas de monitoreo DevSecOps actuales o futuras para medir la adopción de aplicaciones con una visión completa de la gestión e información en tiempo real sobre patrones de uso, tasas de error y rutas de uso común de los usuarios que exploran y se benefician de sus productos.

8. Rendimiento y adaptabilidad

Una de los aspectos más importantes relacionados con el rendimiento de la analítica embebida basada en IA es la velocidad de carga en un entorno con muchos usuarios simultáneos. Por esta razón se presta tanta atención a las capacidades de memoria, la optimización de las consultas directas y la combinación de datos para la mejora del rendimiento.

Las expectativas de los usuarios con respecto a las aplicaciones y dispositivos de consumo son que los contenidos y servicios estén disponibles en menos de 1 segundo o incluso en menos de 0,2 segundos (200 milisegundos) para disfrutar de una experiencia fluida. Esto explica que se haya popularizado el almacenamiento en caché de los contenidos más solicitados, la combinación de datos en un único sistema integrado de almacenamiento de datos o el almacenamiento de datos en memoria. 

Todas estas son formas de reducir o evitar la demora de una solicitud de API al extraer datos de una base de datos externa mientras el usuario lo espera impaciente sin poder hacer nada.

9. Seguridad y accesibilidad

Como parte de un marco sólido de DevSecOps, es crucial brindar seguridad a escala con capas de gobernanza en cada etapa del desarrollo y la implementación. 

Todo comienza con la autenticación multifactor y la integración de inicio de sesión único (SSO), y se completa con filtros de seguridad basados en funciones para controlar el acceso y proteger la integración de datos. 

Evite recurrir a atajos como la codificación de nombres de usuario y contraseñas. Las opciones de autenticación estándar incluyen Active Directory, OAuth 2.0 o Lightweight Directory Access Protocol (LDAP).

10. Usabilidad

Steve Krug ofrece valiosos consejos de usabilidad en su libro “Don’t Make Me Think”. En este libro, establece que el objetivo es que la analítica embebida sea una narración basada en datos que parezca natural en su aplicación, de forma que el usuario no tenga que interrumpir su flujo mental para adivinar dónde hacer clic o qué preguntar en un cuadro de chat.

Introducción a MicroStrategy para la analítica embebida basada en IA

Cientos de empresas internacionales e instituciones públicas confían en MicroStrategy como proveedor de analítica embebida basada en IA que les permite proporcionar experiencias de análisis personalizadas sobre una capa segura de metadatos de confianza, con opciones como detección de lenguaje natural, análisis predictivo y análisis geoespacial. 

Mientras que otros proveedores de inteligencia empresarial e IA se han visto afectados por adquisiciones, fusiones, ventas o desinversiones, MicroStrategy es el mayor proveedor independiente del mundo de análisis integral basado en IA a gran escala.

A diferencia de la generación anterior de analítica embebida, MicroStrategy le permite integrar controles y acciones para que los análisis se sientan como parte de sus aplicaciones y sistemas. MicroStrategy ofrece una variedad de modelos de precios, incluido el etiquetado blanco y la distribución de ingresos.

Obtenga más información sobre cómo hacer que cada aplicación sea inteligente con la analítica embebida basada en IA de MicroStrategy en https://www.microstrategy.com/research-and-reports/guide-to-making-every-app-intelligent-with-embedded-analytics.