Compartir vía


Estrategia de IA - Recomendaciones para las organizaciones que desarrollan una estrategia de adopción de IA

En este artículo se describe el proceso para preparar la organización para la adopción de la inteligencia artificial. Aprenderá a seleccionar las soluciones de inteligencia artificial adecuadas, a preparar los datos y a establecer su enfoque en los principios de inteligencia artificial responsables. Una estrategia de inteligencia artificial bien planificada se ajusta a los objetivos empresariales y garantiza que los proyectos de inteligencia artificial contribuyan al éxito general. Como primer paso, cree un centro de excelencia de inteligencia artificial (CdE de IA) o designe un responsable de inteligencia artificial para supervisar la adopción de la inteligencia artificial.

Diagrama que muestra el proceso de adopción de la inteligencia artificial: estrategia de IA, plan de IA, listo para IA, gobernanza de IA, administración de IA e IA segura.

Identificación de casos práctico de inteligencia artificial

La inteligencia artificial admite dos objetivos principales: mejorar la eficiencia individual y mejorar los procesos empresariales. La IA generativa fomenta la productividad y mejora las experiencias de los clientes, mientras que la inteligencia artificial no generativa, como el aprendizaje automático, es ideal para analizar datos estructurados y automatizar tareas repetitivas. Con estos conocimientos, identifique las áreas de su empresa en las que la IA podría añadir valor. Para obtener más información, consulte ejemplos de casos de uso de IA.

  • Buscar oportunidades de automatización. Identifique los procesos adecuados para la automatización para mejorar la eficiencia y reducir los costes operativos. Céntrese en tareas repetitivas, operaciones con muchos datos o áreas con altas tasas de errores en las que la inteligencia artificial puede tener un efecto significativo.

  • Realizar una evaluación. Recopile información de varios departamentos para identificar desafíos e ineficiencias que la inteligencia artificial podría abordar. Documente los flujos de trabajo actuales para buscar áreas en las que la inteligencia artificial pueda automatizar tareas o proporcionar información.

  • Explorar los casos práctico del sector. Use las arquitecturas de inteligencia artificial en el Centro de arquitectura de Azure para obtener información sobre los problemas que puede resolver la inteligencia artificial. Investigue cómo otras empresas usan la inteligencia artificial. Manténgase informado sobre las aplicaciones y las tecnologías de inteligencia artificial emergentes relevantes para su sector.

  • Establecer objetivos de IA. Para cada caso de uso, defina un objetivo (de uso general), un objetivo (resultado deseado) y una métrica de éxito (medida cuantificable) para guiar la adopción de la inteligencia artificial. Los objetivos claros de inteligencia artificial le impulsan hacia la solución de inteligencia artificial correcta y le ayudan a medir y lograr un valor más rápido.

Para obtener más información, consulte Estrategia de IA de ejemplo.

Definición de una estrategia de tecnología de IA

Una estrategia de tecnología de inteligencia artificial implica seleccionar las herramientas y plataformas adecuadas para los casos de uso de IA generativos y no generados. Debe elegir soluciones de inteligencia artificial que se alineen con el conjunto de aptitudes, la preparación de los datos y el presupuesto. Microsoft tiene una variedad de soluciones de inteligencia artificial para alinearse con diferentes necesidades. Hay opciones de software como servicio (SaaS), plataforma como servicio (PaaS) e infraestructura como servicio (IaaS). El modelo de servicio que elija afecta a la responsabilidad compartida de IA entre usted y Microsoft.

Use el siguiente árbol de decisión de IA para restringir las opciones de cada caso de uso de IA. Revise todas las opciones antes de tomar la decisión inicial. Al identificar un servicio de INTELIGENCIA ARTIFICIAL, confirme que el servicio es una buena opción. Use las instrucciones siguientes para validar las aptitudes necesarias, los datos necesarios y los factores de costo para garantizar el éxito.

Diagrama que muestra los servicios de Microsoft y Azure y los puntos de decisión que indican cada servicio.

Compra de servicios de software de IA (SaaS)

Microsoft ofrece varios servicios de inteligencia artificial generativa de Copilot que mejoran la eficacia individual. Estos Copilots le permiten comprar software como servicio (SaaS) para funcionalidades de inteligencia artificial en toda su empresa o para usuarios específicos. Por lo general, los productos SaaS requieren conocimientos técnicos mínimos.

En términos de necesidades de datos, Microsoft 365 Copilot usa datos empresariales en Microsoft Graph. Puede clasificar los datos con etiquetas de confidencialidad. Los copilotos basados en roles tienen diferentes opciones de conexión de datos y complementos para ingerir datos. La mayoría de los Copilots en el producto no requieren preparación de datos adicionales. Copilot Studio automatiza gran parte del procesamiento de datos necesario para crear copilots personalizados para varias aplicaciones empresariales. Use los vínculos de la tabla siguiente para obtener más información.

Microsoft Copilots Descripción Usuario Datos necesarios Capacidades necesarias Principales factores de coste
Microsoft 365 Copilot Use Microsoft 365 Copilot para una solución para toda la empresa que automatiza el trabajo en aplicaciones de Microsoft 365 y proporciona una forma más segura de chatear con datos empresariales en Microsoft Graph. Negocio Administración general de TI y datos Licencia
Copilots basados en roles Use Microsoft Copilot for Security y agentes basados en roles para Microsoft 365, como Microsoft 365 Copilot for Sales, Microsoft 365 Copilot for Service y Microsoft 365 Copilot for Finance, para mejorar la productividad de roles empresariales específicos. Negocio Administración general de TI y datos Licencias o unidades de proceso de seguridad (Copilot for Security)
Copilots en el producto Use copilots para mejorar la productividad en productos de Microsoft, como GitHub, Power Apps, Power BI, Dynamics 365, Power Automate y Azure. Empresas y particulares Ninguno Gratuito o suscripción
Copilot Free o Pro Use la versión gratuita para el acceso basado en explorador a los modelos de Azure OpenAI. Use Copilot Pro para mejorar el rendimiento y más capacidad. Individual No Ninguno Ninguno para Copilot Gratuito o suscripción para Copilot Pro
Copilot Studio Use Copilot Studio para compilar pruebas e implementar agentes en un entorno de creación. Desarrollador Uso de una plataforma para conectar orígenes de datos, asignar mensajes e implementar copilots en varias ubicaciones Licencia

Creación de cargas de trabajo de IA con plataformas de Azure AI (PaaS)

Microsoft proporciona varias opciones de plataforma como servicio (PaaS) para crear cargas de trabajo de IA. La plataforma que elija depende de los objetivos de inteligencia artificial, las aptitudes necesarias y las necesidades de datos. Azure ofrece plataformas adecuadas para diferentes niveles de experiencia, desde herramientas fáciles para principiantes hasta opciones avanzadas para desarrolladores experimentados y científicos de datos. Revise las páginas de precios y use la calculadora de precios de Azure para calcular las conversiones.

Objetivo de IA Solución de Microsoft Datos necesarios Capacidades necesarias Principales factores de coste
Creación de aplicaciones RAG con plataforma orientada al código Azure AI Studio
o
Azure OpenAI
Selección de modelos, orquestación del flujo de datos, fragmentación de datos, enriquecimiento de fragmentos, elección de la indexación, comprensión de los tipos de consulta (texto completo, vector, híbrido), comprensión de los filtros y facetas, realización de reclasificación, flujo de avisos de ingeniería, implementación de puntos de conexión y consumo de puntos de conexión en aplicaciones Proceso, número de tokens de entrada y salida, servicios de IA consumidos, almacenamiento y transferencia de datos.
Ajuste de los modelos de IA generativa Azure AI Studio Preprocesamiento de datos, división de datos en datos de entrenamiento y validación, validación de modelos, configuración de otros parámetros, mejora de modelos, implementación de modelos y consumo de puntos de conexión en aplicaciones Proceso, número de tokens de entrada y salida, servicios de IA consumidos, almacenamiento y transferencia de datos.
Entrenamiento e inferencia de modelos de aprendizaje automático mediante sus propios datos Azure Machine Learning
o
Microsoft Fabric
Preprocesamiento de datos, modelos de entrenamiento mediante código o automatización, mejora de modelos, implementación de modelos de aprendizaje automático y consumo de puntos de conexión en aplicaciones Proceso, almacenamiento y transferencia de datos
Consumo de modelos de inteligencia artificial analítica en aplicaciones Servicios de Azure AI Selección del modelo de IA adecuado, protección de puntos de conexión, consumo de puntos de conexión en aplicaciones y ajuste según sea necesario Uso de puntos de conexión de modelo consumidos, almacenamiento, transferencia de datos, proceso (si entrena modelos personalizados)

Traiga sus propios modelos con servicios de infraestructura (IaaS)

Para las organizaciones que necesitan más control y personalización, Microsoft ofrece soluciones de infraestructura como servicio (IaaS). Aunque se prefieren las plataformas de Inteligencia artificial de Azure (PaaS) para las cargas de trabajo de IA, Azure Virtual Machines a través de CycleCloud y Azure Kubernetes Service proporcionan acceso a las GPU y las CPU para las necesidades avanzadas de inteligencia artificial. Esta configuración le permite traer sus propios modelos a Azure. Consulte las páginas de precios pertinentes y la calculadora de precios de Azure.

Objetivo de IA Solución de Microsoft Datos necesarios Capacidades necesarias Principales factores de coste
Entrenar e inferir sus propios modelos de inteligencia artificial. Traer sus propios modelos a Azure. Azure Virtual Machines
o
Azure Kubernetes Service
Administración de infraestructura, TI, instalación de programas, entrenamiento de modelos, pruebas comparativas de modelos, orquestación, implementación de puntos de conexión, protección de puntos de conexión y consumo de puntos de conexión en aplicaciones Proceso, orquestador de nodos de proceso, discos administrados (opcional), servicios de almacenamiento, Azure Bastion y otros servicios de Azure usados

Para obtener más información, consulte Estrategia de IA de ejemplo.

Definición de una estrategia de datos de IA

Para cada caso de uso de inteligencia artificial, debe definir una estrategia de datos de inteligencia artificial que describa las prácticas de recopilación, almacenamiento y uso de datos que se ajusten a los estándares normativos, éticos y operativos. La adaptación de la estrategia a cada caso de uso específico garantiza salidas confiables de inteligencia artificial y promueve la seguridad y la privacidad de los datos. Si es necesario, puede consolidar estas estrategias individuales en una estrategia de datos de resumen más amplia para su organización.

  • Establecer la gobernanza de datos. Defina los principios de gobernanza de datos específicos del caso de uso de inteligencia artificial para garantizar que las cargas de trabajo sean transparentes, responsable y conformes con estándares legales y éticos. Incluya la categorización de datos en función de la confidencialidad y las directivas para controlar el acceso, el uso y el almacenamiento pertinentes para el caso de uso.

  • Planificar el ciclo de vida de los datos. Especifique cómo recopilar, almacenar, procesar y retirar datos para este caso de uso de inteligencia artificial concreto. Incluya directivas de retención y eliminación y use el control de versiones para mantener la precisión durante las actualizaciones.

  • Configurar controles de equidad y sesgo de inteligencia artificial. Desarrolle procesos para detectar y abordar el sesgo en los datos usados para este caso de uso de IA. Use herramientas como Fairlearn para garantizar que los modelos proporcionen resultados justos y equitativos, especialmente cuando se trabaja con atributos de datos confidenciales.

  • Promover la colaboración entre los equipos de inteligencia artificial y datos. Alinee el desarrollo de inteligencia artificial con los esfuerzos de ingeniería de datos para asegurarse de que los modelos se crean mediante datos de alta calidad y bien administrados. Establezca una canalización unificada para las actualizaciones de datos y entrenamiento del modelo de IA.

  • Prepararse para la escalabilidad de los datos. Prevea el volumen, la velocidad y la variedad de datos necesarios para esta carga de trabajo de IA. Use arquitecturas flexibles Utilice arquitecturas flexibles para adaptarse a la demanda y considere las infraestructuras basadas en la nube para una gestión eficiente de los recursos.

  • Incorporar la automatización de la administración de datos. Planifique usar la inteligencia artificial y el aprendizaje automático para automatizar tareas como el etiquetado, la catalogación y las comprobaciones de calidad de datos. La automatización mejora la precisión y permite a los equipos centrarse en los esfuerzos estratégicos.

  • Planificar el seguimiento y la evaluación continuos. Establezca auditorías periódicas de los datos y salidas del modelo para garantizar la calidad, el rendimiento y la equidad de los datos en curso. Supervise los modelos de inteligencia artificial y las canalizaciones de datos para identificar los cambios que puedan afectar a la confiabilidad o el cumplimiento.

Para obtener más información, consulte Estrategia de IA de ejemplo.

Definición de una estrategia de IA responsable

Para cada caso de uso de inteligencia artificial, debe definir una estrategia de inteligencia artificial responsable que describa su rol para garantizar que las soluciones de inteligencia artificial sigan siendo confiables y beneficiosas para todos los usuarios. Las responsabilidades pueden variar en función de la tecnología adoptada en cada caso. Si es necesario, cree una estrategia de inteligencia artificial responsable más amplia que abarque principios generales derivados de casos de uso individuales.

  • Establecer la responsabilidad de la inteligencia artificial. A medida que avanzan la tecnología y la normativa de la IA, asigne a alguien que supervise y gobierne estos cambios. Normalmente es responsabilidad del CdE de IA o de un responsable de inteligencia artificial.

  • Alinearse con los principios de inteligencia artificial responsables establecidos. Microsoft sigue seis principios de inteligencia artificial responsable que se adhieren al marco de administración de riesgos de inteligencia artificial de NIST (RMF de IA). Use estos principios como objetivos empresariales para definir el éxito y controlar la adopción de la inteligencia artificial en cada caso de uso.

  • Identificar las herramientas de inteligencia artificial responsable. Las herramientas de inteligencia artificial responsable garantizan que la inteligencia artificial se alinee con prácticas más amplias de inteligencia artificial responsable. Como parte de su estrategia, identifique qué herramientas y procesos de inteligencia artificial responsable son relevantes.

  • Comprender los requisitos de cumplimiento legal y normativo. El cumplimiento normativo y legal influye en cómo se crean y administran las cargas de trabajo de inteligencia artificial. Investigue y cumpla los requisitos que rigen la inteligencia artificial en la que opera.

Para obtener más información, consulte Estrategia de IA de ejemplo.

Paso siguiente

Ejemplos de casos de uso de IA

En estos ejemplos se resaltan varias aplicaciones de IA generativa y no generativa. Aunque no son exhaustivos, proporcionan información sobre cómo se puede aplicar la inteligencia artificial a diferentes áreas de su negocio.

Inteligencia artificial generativa Inteligencia artificial no generativa
Agentes autónomos: desarrolle sistemas de inteligencia artificial que realicen tareas de forma independiente, como asistentes virtuales que administran programaciones o consultas de clientes. Reconocimiento de imágenes: use la IA para identificar y clasificar objetos dentro de imágenes o vídeos, útiles en sistemas de seguridad o control de calidad.
Marketing: cree automáticamente publicaciones en redes sociales y boletines por correo electrónico. Predicción: previsión de tendencias o optimización de operaciones basadas en datos históricos.
Plataformas de comercio electrónico: genere recomendaciones de productos personalizadas y experiencias de compras personalizadas. Automatización de procesos: automatice tareas rutinarias y flujos de trabajo que no requieran generación de contenido, como bots de servicio al cliente.
Diseño del producto: cree rápidamente varias variaciones de prototipos de producto o elementos de diseño. Análisis de datos: descubra patrones en datos estructurados para obtener conclusiones y decisiones controladas por datos.
Desarrollo de software: automatice la generación repetitiva de código, como las operaciones CRUD. Simulación de modelos: simule cargas de trabajo complejas (dinámica fluida, análisis de elementos finitos) para predecir el comportamiento y optimizar los diseños o procesos.
Plataformas educativas: generar materiales de estudio personalizados para estudiantes. Detección de anomalías: identifique patrones inusuales en los datos. Puede usar esta estrategia para la detección de fraudes o la predicción de errores de equipos, por ejemplo.
Servicio al cliente: proporcione respuestas basadas en contexto a través de bots de chat controlados por IA. Recomendación: ofrezca recomendaciones personalizadas basadas en el comportamiento del usuario, que se usan habitualmente en los servicios de comercio electrónico y streaming.
Agencias de publicidad: cree variaciones de anuncios dirigidas para diferentes segmentos de audiencia. Optimización: mejore la eficacia mediante la resolución de problemas complejos (optimización de la cadena de suministro, asignación de recursos).
Aplicaciones de salud y bienestar: genere rutinas de entrenamiento personalizadas y planes de comidas. Análisis de opiniones: analice el texto de las redes sociales o las reseñas de los clientes para medir la opinión pública y mejorar la experiencia del cliente.

Ejemplo de estrategia de IA

Esta estrategia de inteligencia artificial de ejemplo se basa en una empresa ficticia, Contoso. Contoso opera una plataforma de comercio electrónico orientada al cliente y emplea a representantes de ventas que necesitan herramientas para predecir los datos empresariales. La empresa también administra el desarrollo y el inventario de productos para producción. Sus canales de venta incluyen tanto empresas privadas como agencias del sector público altamente reguladas.

Caso de uso de IA Objetivos Objetivos Métricas correctas Enfoque de IA Solución de Microsoft Necesidades de datos Necesidades de aptitudes Factores de coste Estrategia de datos de IA Estrategia de IA responsable
Característica de chat de aplicaciones web de comercio electrónico Automatizar el proceso empresarial Mejorar la satisfacción del cliente. Aumento de la tasa de retención de clientes PaaS, IA generativa, RAG Azure AI Studio Descripciones de elementos y emparejamientos Desarrollo de aplicaciones en la nube y RAG Uso Establecer la gobernanza de datos para los datos de los clientes e implementar controles de equidad de inteligencia artificial. Asignar la responsabilidad de IA al CoE de IA y ajustarla a los principios de inteligencia artificial responsable.
Flujo de trabajo interno de procesamiento de documentos de la aplicación Automatizar el proceso empresarial Reducir los costos Aumento de la tasa de finalización Inteligencia artificial analítica, ajuste preciso Servicios de Azure AI - Documento de inteligencia Documentos estándar Desarrollo de aplicaciones Uso estimado Definir la gobernanza de datos para documentos internos y planificar directivas de ciclo de vida de datos. Asignar la responsabilidad de IA y garantizar el cumplimiento de las directivas de control de datos.
Administración del inventario y compra de productos Automatizar el proceso empresarial Reducir los costos Vida útil más corta del inventario Aprendizaje automático, entrenamiento de modelos Azure Machine Learning Historial de inventario y datos de ventas Desarrollo de aprendizaje automático y aplicaciones Uso estimado Establecer la gobernanza de los datos de ventas y detectar y abordar los sesgos en los datos. Asignar la responsabilidad de IA y cumplir con las regulaciones financieras.
Trabajo diario en toda la empresa Mejora de la productividad individual Mejorar la experiencia de empleado Aumento de la satisfacción de los empleados SaaS, IA generativa Microsoft 365 Copilot Datos de OneDrive IT general Costes de suscripción Implementar la gobernanza de datos para los datos de los empleados y garantizar la privacidad de los datos. Asignar la responsabilidad de IA y usar características integradas de inteligencia artificial responsable.
Aplicación de comercio electrónico para la característica de chat regulada del sector Automatizar el proceso empresarial Aumentar las ventas Aumento de las ventas Entrenamiento de modelo de IA generativa de IaaS Azure Virtual Machines Datos de entrenamiento específicos del dominio Desarrollo de aplicaciones e infraestructura en la nube Infraestructura y software Definir la gobernanza para los datos regulados y planificar el ciclo de vida con medidas de cumplimiento. Asignar la responsabilidad de IA y cumplir las normativas del sector.