BDH de Pathway: un nuevo enfoque posterior a la transformación de la IA empresarial en AWS

Los modelos de transformador y la arquitectura que sustenta los LLM modernos han revolucionado la forma en que vivimos, trabajamos, creamos y competimos. Estos han permitido a las startups probar y proponer ideas con equipos reducidos, y han supuesto un punto de inflexión en los sectores B2B, como la codificación, el análisis y la creación de contenido. Los fundadores y las empresas han generado ganancias de productividad que habrían sido impensables hace unos años.

La IA basada en transformadores ha evolucionado mediante escalado intensivo: modelos más grandes, más datos y más cómputo han mejorado los LLM. En ese caso, ¿por qué hay una tasa de fracaso del 95 % en los proyectos de IA empresarial, según un estudio del Instituto Tecnológico de Massachusetts? La respuesta está en la arquitectura de los modelos de transformadores. Empiezan cada tarea siempre en el mismo estado y, sin memoria, se quedan atrapados en el pasado. Esta limitación técnica equivale a implicaciones empresariales reales, lo que significa que la misma infraestructura que permitió el crecimiento y fortaleció a las organizaciones ahora representa un obstáculo para seguir progresando.

Un enfoque muy diferente de los modelos

A medida que la IA ha evolucionado, el riesgo ha aumentado. Hoy en día, las empresas buscan aplicar la IA a casos de uso y flujos de trabajo internos propios. Por ello, necesitan modelos que puedan aprender y adaptar el comportamiento con el tiempo, así como respaldar el razonamiento a largo plazo y producir inferencias observables y auditables. Los modelos de transformadores antes significaban la transformación empresarial, pero ahora se necesita un enfoque muy diferente.

Pathway, un socio de modelo de frontera de AWS, es pionero en esta próxima generación de IA con Dragon Hatchling (BDH ). BDH, desarrollado en Amazon SageMaker y optimizado para la infraestructura de AWS, es un modelo de frontera posterior al transformador que permite el aprendizaje continuo, el contexto infinito y la adaptación en tiempo real. Resuelve el principal desafío para la adopción, la memoria y el  aprendizaje de la IA empresarial al instante, y permite a las organizaciones desbloquear nuevas funcionalidades importantes y capitalizar la inteligencia empresarial personalizada.

Las limitaciones de los transformadores en las empresas

Los modelos de transformadores siguen siendo la opción principal para muchas tareas y han transformado la forma en que operan las empresas. Sin embargo, después de casi una década de existencia, el transformador está empezando a alcanzar sus límites prácticos y matemáticos.

1. Los transformadores no se desarrollaron para lograr un aprendizaje continuo. Solo se les entrena una vez, no pueden aprender nuevas habilidades y no pueden volverse más inteligentes con el tiempo, ya que solo acumulan texto en una base de datos externa.
2. Los transformadores consumen muchos recursos. Requieren grandes cantidades de recursos de cómputo, ya que su procesamiento escala rápidamente con los datos, necesitan una memoria de alta velocidad y ajustan continuamente los parámetros del modelo.
3. Los transformadores afrontan limitaciones arquitectónicas a la hora de ofrecer lo que se necesita para una verdadera IA nativa empresarial. Las empresas poseen conocimientos y procesos especializados que se deben adoptar y aprender. Asimismo, estas requieren gobernanza y observabilidad. Los modelos actuales basados en transformadores actúan como cajas negras con un razonamiento poco claro, recurren a pesos previamente entrenados y carecen de mecanismos para modelar “lo que vendrá a continuación”.

Lo que importa al fin y al cabo

Las limitaciones tecnológicas de los transformadores representan implicaciones comerciales, lo que genera costos y complejidades adicionales para las empresas y startups. En lugar de ser una herramienta para la autonomía, los transformadores se convirtieron en una fuente de obstáculos, lo que obliga a los equipos a dedicar más tiempo a gestionar soluciones alternativas que a impulsar valor.

• El modelo requiere mayores esfuerzos para ajustarse a las prácticas reales de funcionamiento de una empresa. La alineación de los modelos estándar con el funcionamiento de una organización suele implicar administrar cargas de trabajo adicionales o soluciones, como crear LLM personalizados, cambiar el tamaño de los modelos y usar flujos de trabajo agénticos para incorporar procesos.
• La adaptación o contextualización del conocimiento especializado requiere que los equipos administren implementaciones exhaustivas o complejas de los flujos de trabajo agénticos.
• La diferenciación se convierte en un desafío. Para obtener resultados únicos, los equipos deben personalizar los modelos por sí mismos, sabiendo que pueden perder relevancia y precisión con el tiempo, o utilizar los mismos modelos estándar que sus competidores.
• El costo impone difíciles disyuntivas. Los costosos procesos de entrenamiento e inferencia obligan a los equipos a elegir dónde implementar la IA, lo que les hace perder posibles oportunidades.
  

BDH: La creación de un nuevo paradigma de inteligencia empresarial

Hemos observado la evolución de los modelos de transformadores, pero esto ya no es suficiente para las empresas que buscan diferenciar su oferta y agregar valor. En vez de ofrecer una mejora progresiva a la pila del transformador, BDH señala un cambio de paradigma y da paso a una nueva ola de IA empresarial.

A diferencia de los modelos basados en transformadores que utilizan pesos fijos, la arquitectura de BDH se asemeja a una red de neuronas y sinapsis. Las conexiones se actualizan continuamente a medida que llega nueva información, lo que permite al modelo retener el conocimiento y mejorarlo con el tiempo, en lugar de restablecerlo para cada tarea. El resultado es una visión de la inteligencia empresarial autónoma, observable y basada en la memoria. Esto desbloquea nuevas capacidades para las empresas como las siguientes:

1. Aprendizaje continuo: BDH aprende de cada interacción e incorpora ese aprendizaje con el tiempo para razonar, adquirir una experiencia duradera y resolver problemas cada vez más autónoma.

Por qué es relevante

• BDH no solo ingiere y expulsa más información, sino que desarrolla inteligencia y juicio con el tiempo.
• El conocimiento en el sector se acumula, lo que crea una ventaja acumulada a través de la personalización.
• Favorece una solidez empresarial que no se puede replicar mediante los datos o el entrenamiento. La IA se vuelve única a medida que aprende sobre el negocio.
• Razones a largo plazo.
• Aprende de datos escasos y especializados (vs. el anhelo de datos de los transformadores).
  
  

2. Eficiencia: BDH funciona como el cerebro de una GPU con eficiencia incorporada tanto en entrenamiento como en inferencia. La inteligencia surge de interacciones locales que se ajustan con el tiempo y se activan según lo requerido, no simultáneamente. Solo el 5 % de las neuronas se activan por token, mientras que los transformadores activan todo el modelo a la vez.

Asimismo, BDH es un modelo de razonamiento nativo. BDH tiene mecanismos de memoria intrínsecos que permiten el aprendizaje y la adaptación durante el uso mediante la creación de un espacio de razonamiento interno más grande llamado espacio de razonamiento latente. BDH conserva el potencial de los transformadores, específicamente la comprensión y generación del lenguaje, y agrega la capacidad de resolver problemas ajenos al lenguaje que hacen fracasar a los LLM estándar. Por ejemplo, BDH alcanza una precisión del 97,4 % en las pruebas de Sudoku Extremo, una colección de aproximadamente 250 000 de los rompecabezas de Sudoku más difíciles del mercado. Y todo mientras que los mejores LLM tienen dificultades para funcionar.

Por qué es relevante

• Mejora de 10 veces en la eficiencia, en los esfuerzos de entrenamiento y los tokens de inferencia.
• Reducción del consumo de energía.
• Tiempo de comercialización más rápido, sin necesidad de un entrenamiento inicial masivo (conjuntos de datos reducidos, aprendizaje con el tiempo).
• Una arquitectura única que se destaca tanto en tareas lingüísticas como no lingüísticas (por ejemplo, juegos), lo que indica un gran potencial para la toma de decisiones.
  
  

3. Grado empresarial: Con BDH, las empresas pueden implementar una IA adaptable, comprensible y que facilite su supervisión. Todo ello sin soluciones ni correcciones adicionales.

Por qué es relevante

• Es la IA que se integra en el contexto de la trayectoria de una organización.
• Se confía en la implementación de sistemas que aprenden en producción y pueden ser auditados.
• La IA es responsable del tiempo y, por lo tanto, puede gestionar el conocimiento de los procesos, el gemelo digital y la siguiente mejor acción.
• Gobernanza sobre cómo y por qué un modelo cambia con el tiempo.
• Mecanismos claros y disponibles para pausar, aislar o revertir el aprendizaje cuando sea necesario.

La “inferencia persistente” habilita funcionalidades clave de la IA

¿Cuál es la ventaja competitiva sostenible? La adopción de un enfoque diferente es necesaria cuando la implementación de la IA estándar y el entrenamiento puntual ya no ofrecen una ventaja competitiva. BDH está diseñado para casos de uso basados en la “inferencia persistente” que crean la mejor ventaja competitiva sostenible. BDH aprende continuamente de los datos patentados, lo que permite adquirir experiencia en el área con el tiempo y crear una verdadera ventaja competitiva.

Los casos de uso de la inferencia persistente se vincula directamente con los datos patentados de una empresa. Requiere acceso inmediato a la información actualizada para mantener su precisión y depende del razonamiento observable sostenido en el tiempo.

¿Dónde aparecen estos casos de uso “persistentes”? BDH aborda casos de uso de inferencia persistente tanto a nivel horizontal como vertical. A nivel horizontal, surgen en áreas donde nuevas funcionalidades resultan críticas. A nivel vertical, están presentes en sectores como el comercio minorista, seguros, tecnología, servicios financieros y salud, donde los datos y el contexto son clave para el negocio.

Horizontal:

BDH automatiza un extenso proceso contable de cierre trimestral para una empresa global con múltiples áreas al analizar las regiones y los departamentos empresariales por varios meses. BDH abarca todo el trimestre (y no trata el cierre financiero como un hecho aislado) realizando pronósticos anticipados, evaluando las variaciones a mitad del ciclo, analizando las exposiciones para orientar las coberturas, coordinando las conciliaciones y finalizando con un cierre de prueba auditable. Esta inteligencia a largo plazo mejora la precisión y la previsión con el tiempo.

Vertical: agnóstico
Horizontal: administración
Diferenciador principal: razonamiento de largo plazo

Comercio minorista:

BDH garantiza que una empresa minorista mantenga las ventas dentro del objetivo según las condiciones dinámicas. Al tener presente datos internos y externos en constante cambio, BDH sugiere las siguientes mejores acciones, por ejemplo, como definir dónde centrar los esfuerzos en el flujo de personalización de productos, identificar oportunidades de precios dinámicos o detectar áreas donde las promociones personalizadas resultan más efectivas.

Vertical: venta minorista
Horizontal: ventas
Diferenciador principal: la siguiente mejor acción

Seguros

BDH aumenta la automatización de la autorización previa y la verificación posterior de las reclamaciones médicas para una empresa de servicios de seguros, analizando en tiempo real escenarios complejos y poco estructurados. Reduce el costo por reclamación al automatizar un mayor porcentaje de reclamaciones, mientras que mejora la precisión y brinda un registro de auditoría integrado para cada decisión.

Vertical: seguros
Horizontal: operaciones
Diferenciador principal: interoperabilidad

Big tech

BDH gestiona un gemelo digital en tiempo real de la red de cada cliente empresarial para un proveedor de telecomunicaciones. Al incorporar continuamente datos de telemetría, topología y datos de clientes en tiempo real, BDH compara el uso real con el uso posible y recomienda la reconfiguración preventiva, el mantenimiento y el servicio como la siguiente mejor acción.

Vertical: tecnología de punta
Horizontal: servicio
Diferenciador principal: gemelo digital en tiempo real

Atención sanitaria

BDH facilita la investigación clínica avanzada integrando los historiales de pacientes para ofrecer recomendaciones de tratamiento más precisas.  A diferencia de los LLM tradicionales, que no están diseñados para aprender de un conjunto de datos reducido y se enfrentan a casos poco frecuentes o únicos, el BDH puede aprender de los “ejemplos únicos” y convertirlos en información útil.

Vertical: atención sanitaria
Horizontal: investigación
Diferenciador principal: conjuntos de datos reducidos

Servicios financieros

BDH realiza prospecciones de operaciones hiperpersonalizadas usando el manual de estrategias de riesgo y la tesis de inversión patentados de un banco. Al analizar continuamente los datos del mercado en tiempo real, genera nuevas oportunidades de negociación coincidentes e identifica las que son más rentables que las opciones de mercado estándar.

Vertical: servicios financieros
Horizontal: riesgo
Diferenciador principal: aprendizaje continuo

Desarrollado en Amazon SageMaker HyperPod y optimizado para AWS

Hoy en día, AWS y Pathway hacen que esta tecnología sea accesible, llevando la innovación de la IA de vanguardia a los casos de uso en los que son más importantes el contexto, la memoria y el razonamiento a largo plazo. BDH está desarrollado en Amazon SageMaker HyperPod, diseñado para el entrenamiento distribuido a gran escala y ayuda a los equipos a aprovisionar y operar clústeres de GPU con flujos de trabajo administrados.

Además, está optimizado para la infraestructura de AWS, por lo que funciona de manera eficiente y con el máximo rendimiento. Las aplicaciones y los flujos de trabajo de AWS existentes pueden acceder a BDH mediante una API, que mejora continuamente según los datos que las organizaciones ya almacenan en AWS.

Contacte a Pathway (dragon@pathway.com) para descubrir e implementar BDH. Los clientes pueden comenzar con una inversión inicial reducida a través de los programas de POC respaldados por AWS. También puede acceder a la investigación de Pathway sobre Arxiv y a sus repositorios de código abierto en Github.