#AISummit | Agentes de Inteligencia Artificial. automatizando tareas críticas
#AISummit | Agentes de Inteligencia Artificial. automatizando tareas críticas
Category
🦄
CreativityTranscript
00:00Continuamos en AI Summit de El Cronista, ahora hablando con Lucas Usal, co-founder y Chief AI
00:07Officer de Teramot. ¿Qué tal? Bienvenido, Lucas. ¿Nos podrías explicar qué hace Teramot y cómo
00:17permite a las unidades de negocios de las empresas desplegar sus propios Data Warehouse para
00:22implementar inteligencia artificial? Está buena la pregunta. Lo que nosotros vemos es que muchas
00:27unidades de negocios quedan un poco abandonadas en lo que es el roadmap de data del core de las
00:34empresas. Muchas unidades de negocios necesitan resolver sus problemas y tomar decisiones basadas
00:40en datos. Ese mindset lo vemos que está presente, pero en muchos casos necesitan un dato más,
00:45una columna que no están en la tabla que ellos tienen disponibilizada y se encuentran con esa
00:50dificultad de que sus necesidades evolucionan mucho más rápido de lo que evoluciona el Data
00:55Warehouse que tienen en la empresa, que es el lugar donde los datos están disponibilizados
00:59para ese tipo de consumo. ¿Por qué crearon la recolección de datos? Construir un Data Warehouse
01:06centralizado es algo que demanda muchos controles, controles de integridad y a veces un pedido tan
01:14simple como agregar una columna a una tabla puede generar un montón de inconvenientes y eso genera
01:19demoras. Y lo que vemos es que los equipos de negocio a veces son muy ágiles y necesitan otra
01:23velocidad para tomar decisiones y se abren espacios. Es decir, lo que nosotros vemos es
01:28que el dato lo consiguen igual, que quizá consiguen una conexión a la base de datos,
01:33traen ese dato, procesan en Excel y por ahí hacen cosas que no son ideales y que son muy
01:37mejorables. Y ahí es donde entra Teramot, que les permite a estas unidades de negocios tener
01:42su propio Data Warehouse armado por agentes de inteligencia artificial y lo pueden configurar
01:48simplemente estableciendo el lenguaje natural que es lo que necesitan. Por ejemplo, especificando qué
01:53preguntas necesitan hacerle a esos datos y a partir de ahí los agentes empiezan a conectarse
01:59a los orígenes de datos y a construir esa tabla que tiene esa vista que está bien cerquita de
02:04la necesidad de cada unidad de negocio. Entonces nosotros visionamos que podemos armarlo en forma
02:08automatizada y que cada unidad de negocio, incluso cada persona, pueda tener su tabla,
02:12su Data Warehouse a medida de esa necesidad. Perfecto. Y nos podrías clarificar el
02:16concepto de agente y cómo se despliegan en estos casos particulares?
02:21Genial. Bueno, habrán escuchado hablar mucho de los modelos de lenguaje de la
02:26inteligencia artificial. El agente es un sistema basado en estos modelos de lenguaje donde a la
02:33inteligencia artificial se la dota de la posibilidad de tomar pequeñas decisiones
02:36y de usar ciertas herramientas. Entonces ahí decimos que el modelo de lenguaje está siendo
02:42utilizado como un agente por esta cuestión de que puede de alguna forma resolver tareas.
02:46Hay muchas expectativas sobre los agentes de inteligencia artificial. Se creen que
02:49van a poder desarrollar aplicaciones enteras. Está todavía muy verde la tecnología. Lo que
02:55nosotros mismos enteramos es que si acotamos muy bien la tarea de esos agentes, podemos hacer que
03:00sean exitosos en ese problema. Entonces, para el caso de la ingeniería de datos, que es este proceso
03:05de transformar los datos crudos, como están en el transaccional, a esta vista a medida de la
03:12empresa. Ese proceso de ingeniería de datos nosotros lo conocemos muy bien y lo podemos
03:16desglosar en pequeñas tareas que estos agentes sí pueden resolver. Eso sumado a una métrica de
03:22éxito que le dé feedback a la gente de cuándo realizó bien la tarea o cuándo la realizó mal y
03:27con ese feedback poder corregirse. Tiene la capacidad de construir toda esa parte que está
03:33justo en la intersección entre lo que sería el negocio y la tecnología. El rol del ingeniero de
03:38datos es un rol muy delicado porque justamente es una persona que traduce una pregunta o una
03:42necesidad en una porción de código que va a construir la transformación que me genere los
03:47datos. Y ahí es donde es óptimo el uso de la inteligencia artificial. Y este tipo de
03:53implementaciones, ¿cuánto suelen tardar en quedar listas? Genial. Nosotros tenemos una
04:00concepción ágil de las implementaciones. De alguna forma, Teramote es una máquina de
04:05deployar un producto en la empresa que lo contrato y ese producto es el Data Warehouse.
04:10Entonces entendemos que la mejor forma de entregar un producto es en forma iterativa.
04:14La primera iteración lleva unos minutos porque en definitiva es cargar las conexiones a los
04:20orígenes de datos y establecer qué preguntas hay que responder. Y a partir de ahí se empieza a
04:24iterar y es un proceso similar al de entrevista que hace un ingeniero de datos cuando tiene que
04:30armar ese modelado de los datos. Y eso puede llevar un par de semanas más en función de la
04:35disponibilidad de la persona a ir contestando y especificando cada vez mejor qué es lo que necesita.
04:42Y a causa de la inteligencia artificial, ¿ustedes vieron como una intensificación,
04:48una preocupación en las empresas por los datos y generar su Data Warehouse?
04:54En general, con todo el boom de la inteligencia artificial, todos quieren poder utilizarla en
05:00su empresa. Y lo que pasa es que si uno simplemente usa ChatGTP para hacer preguntas,
05:05no va a tener acceso a los datos tabulares de la empresa que uno necesita. Entonces ahí se dan
05:14cuenta de que tienen que resolver primero su disponibilidad de datos. Y si no tienen eso
05:19consolidado un Data Warehouse, a medida de las preguntas que se le va a hacer, por más
05:22inteligencia artificial que se ponga arriba, si mis datos son una basura, las respuestas van
05:27a ser una basura. Entonces surge esta necesidad de trabajar sobre los datos y tener datos limpios,
05:33que estén curados, que sean confiables y que estén cerca de las preguntas que uno va a
05:37necesitar responder. Bien. Estamos viviendo como un boom de la inteligencia artificial generativa,
05:45pero había otras formas de inteligencia artificial en las que ya se trabajaba hacía
05:49muchos años. ¿Enteramos cómo se dio ese proceso? ¿Cómo empezaron a utilizar inteligencia artificial?
05:56¿Y de qué tipo y en qué punto están ahora? Bueno, yo estoy expuesto a lo que es inteligencia
06:01artificial desde hace muchos años. Creo que la primera neuronal la entrené en un curso en el
06:062005 en el Instituto Balseiro y vengo viendo cómo va progresando los modelos y cómo se vuelven cada
06:13vez más generalistas. Antes uno entrenaba un modelo para una tarea muy específica y ahora
06:18tiene estos modelos pre-entrenados que uno les puede encargar tareas muy distintas. En particular,
06:23entre estos distintos tipos de inteligencia artificial, yo estaba muy especializado en lo
06:28que eran los modelos generativos de imágenes y había visto un crecimiento completamente exponencial,
06:33digamos, de generar imágenes de 0,001 megapíxeles a videos completamente... ¿En qué año fueron los
06:41primeras experiencias? Hace 7 años estábamos festejando que podíamos generar una imagen que
06:46era el tamaño de una miniatura. Y hoy estamos con sobra. Es increíble el nivel de avance.
06:54Y bueno, viendo ese crecimiento exponencial y viendo lo que venía pasando en modelos de
06:58lenguaje, en todo lo que es Natural Language Processing, dije, bueno, esto que pasó con
07:04imágenes va a pasar también con modelos de lenguaje. Y fue cuando me acerqué a Bruno y le digo, acá hay
07:09tierra verde para cultivar y crecer apalacado por modelos de lenguaje, porque se veía venir ese
07:16crecimiento exponencial mucho antes que saliera a la calle chachitipí. Nosotros arrancamos a usar
07:23modelos de lenguaje con las versiones 2 y 3 de OpenAI. Y el boom fue con el 3 prácticamente.
07:33Exacto. El boom nos sirvió muchísimo porque la gente descubrió la potencialidad de la tecnología
07:37y de repente pasamos a explicar de qué se trataba a que la gente nos venga a pedir cosas.
07:42Y eso para una startup es oro en polvo porque uno tiene la oportunidad de hablar con el usuario,
07:47de entender su problema y de pulir mucho más el producto.
07:51Bien. Mencionaste recién tu primera experiencia con Inteligencia Artificial allá por el 2005.
07:58Mucho tiempo ya.
08:00En tu fase educativa. ¿Qué te parece que qué importancia tiene la educación en
08:06Inteligencia Artificial hoy en día y qué puede aportar para el futuro?
08:11Sin duda estamos viendo progresos enormes en Inteligencia Artificial, pero no significa que
08:16ya esté todo resuelto. Hay mucha gente trabajando en desarrollar nuevos modelos, nuevas formas.
08:22El camino es buscar esa Inteligencia Artificial general y creo que las personas que hay que
08:28formar siguen siendo los mismos roles. Base matemática muy fuerte, carreras universitarias
08:33con fuertes fundamentos de física, de estadística, de matemática. Y después en lo que respecta a
08:40la aplicación de toda esa tecnología, las empresas que quieren aplicarlo rápidamente
08:46a sus empresas, creo que están muy buenas las tecnicaturas que han surgido, que de alguna
08:51forma te enseñan a cómo utilizar la tecnología actual y tener todas las herramientas para
08:57entregar valor a la industria. En ese sentido me parece que hay carreras cortas que son súper
09:03interesantes, pero ahí hay que tener en cuenta que lo que aprendemos hoy al año que viene lo
09:07tenemos que volver a reaprender porque en esa última capa las cosas cambian tan rápido que
09:12requieren que el que se dedique a esto tenga pasión por aprender, por estudiar y por moverse.
09:18¿Y cuánto se puede hacer y desarrollar en el país, considerando que hay grandes
09:24empresas como OpenAI que tienen como la sartén por el mango actualmente por cantidad de recursos
09:31que están invirtiendo? ¿Cómo se puede trabajar para que el país se destaque en este ámbito y
09:36las empresas locales también? Para desarrollar modelos fundacionales necesitas recursos de
09:42distinto índole, capacidad de cómputo, energía, acceso a datos. No tenemos en el país empresas
09:49que tengan acceso a datos a la escala que lo tienen las empresas en Estados Unidos o en China,
09:56por ejemplo, pero por sobre todo recursos humanos muy calificados. Estamos hablando de OpenAI,
10:03es una de las empresas que tiene la mayor cantidad de Ph.D. contratados, gente que ha
10:09hecho carreras universitarias larguísimas para formarse y están investigando y aportando a la
10:16ciencia. En este momento OpenAI ya no es tan open, sino que tienen desarrollos que no publican.
10:21Creo que el avance más rápido es a partir de la ciencia abierta, de publicar, de utilizar la
10:28validación cruzada. Y en ese sentido me parece que el país tiene que apostar mucho a la formación de
10:34las carreras más básicas, matemática, física, las ingenierías, la licencia de turno en ciencia,
10:41la computación, que hay en Rosario muy buenas carreras. Así que creo que va por ahí.
10:48Y volviendo a la interacción que tienen en Teramot con las empresas, ¿cuáles te parece que son los
10:56principales desafíos que tienen las compañías para implementar soluciones de AI hoy?
11:01Nosotros vemos que, y por un estudio que hay, el 74% fracasa en armar esta transformación digital
11:12para hacer data driven, es decir, para tomar decisiones basadas en datos. Y gran parte de
11:17ese fracaso tiene que ver con consolidar esa vista de los datos, ese data warehouse. Vemos
11:23que ahí hay una dificultad muy grande porque los datos tienen distintos orígenes. Las empresas son,
11:28a su vez, seres vivos donde los datos van cambiando en el tiempo y mantener y construir
11:34todo eso lleva muchos recursos. Y en general lo que vemos es que fracasan los intentos de
11:41hacer una construcción faraónica, es decir, armar en un único lugar un data warehouse gigante
11:48que resuelva absolutamente todos los datos de la empresa. Nosotros hemos visto que es mucho
11:51más exitoso ir por capas más delgadas y tratar de llegar del end to end, desde el dato hasta la
11:57toma de decisión, ya sea con una sola tabla que resuelve un problema en particular y después
12:02ir ensanchando esa construcción. Es un cambio de concepto que proponen ustedes.
12:08De alguna forma es llevar los conceptos de agilidad a la ingeniería de datos. Es algo
12:16que la industria del software sabe hacer muy bien, de armar un MVP que resuelva algo muy
12:20concreto y después a eso ir agregándole feature o ensanchándolo con un producto que es un modelo
12:26de datos también ocurre lo mismo. Si uno quiere modelar absolutamente todo lo que pasa en la
12:31empresa, entra en procesos de caracterización de datos, de entrevistas, de modelado y al final
12:37nunca llega a entregar valor y esos proyectos faraónicos vemos que fracasan. Teramot ayuda
12:43a armar un hilo que une desde el dato hasta la toma de decisión y que eso pueda entregar valor
12:50inmediatamente y a partir de ahí repetir esa experiencia con distintas unidades de negocio
12:55y transformar completamente toda la empresa. ¿Y los clientes llegan a ustedes con casos de uso
13:00definidos y claros o todavía están consultando sobre qué puede hacer la inteligencia artificial
13:07por ellos? La inteligencia artificial tiene algo que es bueno y a su vez malo para nosotros,
13:12es que es muy general las cosas que se pueden resolver. Entonces llegan empresas con necesidades
13:18muy diversas y para una startup al principio eso es malo porque uno tiene que tener foco y resolver
13:25algo muy concreto y muy bien. Entonces lo que decidimos hacer nosotros es resolverlo como
13:30científicos que somos, somos dos físicos y un ingeniero nuclear, los founders de Teramot,
13:37es hacer el experimento y ver de todos los posibles problemas a atacar cuál era el problema
13:42que a nosotros nos permitía crecer más rápido, entregar más valor y encontramos que en esta
13:47creación del Data Warehouse estaba la mejor posibilidad para entregar valor. Pero llegan
13:52empresas que quieren atender a sus clientes, cosas muy diversas que se pueden hacer con
13:57inteligencia artificial, pero son muchas startups las que tienen ahora la posibilidad de crecer
14:02apalancados por esta tecnología. Perfecto. Y acerca del futuro de la inteligencia artificial,
14:07¿cómo lo ves y qué impacto crees que puede tener en las industrias? Yo en líneas generales soy
14:14optimista, pienso que en el mundo hay todo por hacer, muchas cosas por resolver, muchas
14:19necesidades y no pienso en la idea más mezquina de decir que nos viene a reemplazar en el trabajo,
14:25sino que nos viene a ayudar para la tarea titánica que es transformar el mundo para bien. Si yo
14:31pienso en el mundo que vivían mis abuelos, vengo de generaciones largas, mi abuela nació en 1905 y
14:39la forma en que ellos vivían y cómo vivimos ahora y si nos permitimos imaginar cómo puede ser el
14:43futuro, es increíble todo lo que hay para hacer. Entonces si viene una herramienta que nos potencia
14:48en esa capacidad, bienvenida sea. Sí, es tecnología, la tecnología siempre impulsó el desarrollo.
14:57La tecnología depende mucho de cómo se utilice y depende también de las personas, de que seamos más
15:03lo que las queremos usar para construir. Bueno, genial Lucas, muy interesante conversar con vos.
15:11Te agradecemos participar en esta cumbre de AI del Cronista. Muchas gracias.
15:18En breve continuamos con más AI Summit en el Cronista y Apertura.