Agenda

En un mundo donde los Grandes Modelos de Lenguaje (LLMs) y agentes autónomos están transformando múltiples industrias, es esencial desarrollar aplicaciones basadas en principios que aseguren su estabilidad, adaptabilidad y capacidad de gestionar la complejidad inherente. Esta ponencia explora cómo los conceptos de estabilidad dinámica mediante funciones de Lyapunov, la adaptabilidad a través de las estructuras disipativas de Prigogine, y la cibernética organizacional de Stafford Beer deberían guiar el diseño de estas aplicaciones.

A medida que los LLMs se integran en sistemas interactivos y autónomos, es vital garantizar que su comportamiento sea predecible y ajustable en tiempo real. Utilizar principios de estabilidad asegura que las aplicaciones mantengan coherencia y seguridad, incluso en escenarios complejos. Al mismo tiempo, la adaptabilidad se convierte en un pilar fundamental, permitiendo que los LLMs y agentes respondan a entornos dinámicos de manera eficiente y resiliente. Finalmente, la gestión de la complejidad mediante retroalimentación y optimización de subsistemas tanto técnicos como humanos mejora la robustez de estos sistemas.

Este análisis busca mostrar cómo estas ideas, tomadas de campos que tradicionalmente no se asocian con el diseño de IA, pueden proporcionar un marco sólido para crear aplicaciones más seguras, eficaces y alineadas con los valores éticos y los objetivos organizacionales.

“El auge de los LLMs con sus capacidades conversacionales y de estructurar la información han hecho que las empresas volteen a explorar diferentes formas de aprovecharlas y adaptarlas a sus necesidades.

Estrategias como Prompt Engineering o RAGs son las opciones más populares para aprovechar estas capacidades, por su aparente facilidad de implementación pero… es justo aquí donde empiezan las letras chiquitas:

¿Mi caso de uso es para un LLM simple o necesita trabajo de prompt engineering o un LLM + RAG o …la combinación de alguna de las anteriores? -Hay múltiples herramientas y estrategias, ¿Cómo sé cuál es la mejor se adapta a mis necesidades? ¿Qué LLM es mejor para mi aplicación? -¿Mi aplicación es agnóstica de los modelos? ¿Hay algún LLM que sea mejor para mi caso? ¿Basta con una arquitectura RAG “naive” o se requiere otras estructuras? -Siempre es mejor mantenerlo simple, ¿Pero es suficiente para mi caso? ¿Cómo estructurar mis datos? ¿Puedo usar un Knowledge Graph? -¿Necesito una RAG o un GraphRAG?

Acompáñanos a ver todas esas letras chiquitas y complicaciones que pueden surgir en los proyectos sobre GenAI, para que puedas aprovechar al máximo el poder conversacional de los LLMs y construir aplicaciones de calidad empresarial.”

Se mostrarán a partir de casos prácticos como la IA Generativa ayuda a las áreas de Datos y Analítica a la provisión de herramientas para facilitar la autogestión (self services) de las áreas usuarias de negocio. Se mostrarán caos de asistentes de catálogo de datos, recomendaciones basadas en uso y sugerencias de insights.

En Nowports, una startup de logística, experimentamos un gran crecimiento que nos llevó a alcanzar el estatus de unicornio. Este éxito trajo consigo nuevos desafíos y oportunidades, especialmente en el ámbito de la gestión de datos y la tecnología.

En esta charla, exploraremos el viaje de Nowports desde sus inicios como una empresa enfocada en un rápido time-to-market, hasta su transformación en una organización data-centric. Analizaremos cómo la empresa tomó decisiones cruciales para mantener su velocidad inicial, y cómo estas elecciones impactaron su infraestructura tecnológica y de datos. Discutiremos el punto de inflexión que representó convertirse en unicornio, momento en el que Nowports reorientó su enfoque hacia sistemas más sostenibles y escalables. Paralelamente, examinaremos cómo la revolución de los LLMs sucedió de manera paralela y nos exigió subir de nivel. Tomaremos este caso para hablar de los retos que tenemos hoy, y discutiremos los diferentes retos que tenemos en las organizaciones para vivir esta transición.

Abordaremos preguntas clave como:

• ¿Cómo se realiza la transición de una organización para volverse data-centric?
• ¿Cuáles son las estrategias para mejorar las capacidades analíticas, la gobernanza y la calidad de los datos, mientras se mantienen resultados de negocio positivos, especialmente ahora en el mundo post-ChatGPT?
• ¿Qué se requiere de una organización y del liderazgo para subir el nivel y lograr sus objetivos, que cosas se tienen que dejar de lado, y cuales se tienen que hacer un double-down?

En este panel discutiremos sobre la importancia de las habilidades matemáticas en la era de la Ciencia de Datos, y cómo desarrollarlas en equipos empresariales.

Se presenta una prueba de concepto de un chatbot, capaz de responder preguntas en lenguaje natural sobre diferentes documentos de normatividad en el área de calidad dentro de una empresa. La necesidad de desarrollar esta solución surge como respuesta a la complejidad y extensión de la información contenida en los documentos, así como su frecuente consulta. Por lo que esta implementación pretende reducir esos tiempos de consulta en usuarios finales. La realización de esta prueba de concepto permitirá evaluar la viabilidad técnica y el caso de negocio de la implementación de un chatbot de estas características. Se presentarán resultados obtenidos en términos de la reducción del tiempo en consultas con apoyo del chatbot, considerando la calidad de las respuestas, el número de intentos y las recomendaciones necesarias para una correcta ejecución de consulta, es decir, ingeniería del prompt. En esta empresa de manufactura la Calidad lleva cientos de consultas al año, para asegurar la calidad de productos. Por ejemplo, se cuenta con una base de más de 3,600 normas de calidad nacionales e internacionales.

En la mayoría de los casos, la recopilación, búsqueda y análisis sobre esa cantidad de información, dependen en gran medida de la expertise del usuario que ejecuta las consultas. Actividades que, potencialmente, pueden ser apoyadas con soluciones tecnológicas que permita reducir los tiempos y costos.

La propuesta es el uso de un motor de búsqueda semántica basada en texto, junto con un procesador de lenguaje natural, que permitan hacer consultas al contenido de los documentos, formulado las preguntas adecuadas con base en contexto, palabras clave y analogías, facilitando el proceso de búsqueda y análisis de información.

Se compartirá con la audiencia la experiencia de este caso de uso y que retos se deben considerar en la estrategia de implementación de IA Generativa.

En los últimos años, la competencia en la industria de los bienes de consumo masivo se ha intensificado. Las decisiones rápidas, dinámicas y basadas en datos son cruciales para mantener el liderazgo en el sector. Los modelos de machine learning se han convertido en pieza clave para transformar las grandes cantidades de información, en decisiones estratégicas que generarán valor. En esta plática se explorará, el cómo modelos avanzados de machine learning pueden ser utilizados para mejorar las estrategias de pricing, optimizar inventarios, predecir tendencias de mercado y de consumo en la industria de los bienes de consumo masivo.

El inicio de la plática, será una introducción sobre los desafíos específicos que enfrenta la industria de bienes de consumo masivo en la actualidad, desde gestión de inventario, pasando por la correcta asignación de precios, hasta la personalización de experiencia del cliente. Después, tocaré el tema específico, con base a mi experiencia profesional en el sector, de cómo desarrollar modelos predictivos que no solo anticipan las tendencias de compra, sino que también identifican oportunidades de optimización de precios y segmentación de los clientes, que tienen como resultado mejoras significativas en la eficiencia operativa, aumento en la rentabilidad d ellos productos y una mejora en la satisfacción del cliente.

Además, abordaré los retos y aprendizajes derivados de la implementación de estos modelos en un entorno real, incluyendo la gestión de grandes datasets y la integración de soluciones de IA con sistemas de gestión empresarial existentes. Finalmente, ofreceré una perspectiva sobre el futuro de la ciencia de datos en la industria del consumo masivo, destacando las nuevas tecnologías emergentes y cómo podrían moldear las estrategias de negocio en los próximos años.

La utilización de infraestructura y servicios de nube pública brinda agilidad y conveniencia. Por otro lado, al usar servicios de nube pública para procesar datos, la falta de estrategias adecuadas de optimización puede llevar a un gasto innecesario y a una disminución en la eficiencia operativa.

En esta charla compartiré tips y recomendaciones que he aprendido a traves de mi experiencia como Chief Analytics Officer, que te ayudarán a establecer estrategias adecuadas para gestionar costos en la contratación de servicios de cómputo en la nube.

¿A quién pertenece el conocimiento que provino del análisis de datos? Al dueño de los datos que ordenó el estudio. Típicamente, una empresa.

¿Se cumple siempre con este precepto? No siempre: Depende cómo se entregue a la empresa el resultado del análisis. Se puede hacer que un sistema de cómputo corra una rutina off-premises para llegar al resultado, de modo que nunca se entrega a manera de conocimiento abierto, fórmulas o software genérico. Del entendimiento surge la creatividad para mejorar, por lo que es una omisión grave.

Entonces, ¿qué debe buscar un gerente para mantener el control de su operación e incorporar un resultado analítico?

En esta plática se proponen maneras de combinar los resultados analíticos con el conocimiento fundamental, de manera que se reduzca la dependencia de la plataforma analítica y se logre distinguir cómo aporta un estudio a mejorar los resultados de la empresa.