IA y datos

Antes de desarrollar acordamos con su equipo un conjunto de evaluación: ejemplos reales con las respuestas que esperan sus expertos. Cada versión del sistema se puntúa con él, y los revisores comprueban una muestra de los casos más difíciles. Usted decide el umbral para la publicación. En producción seguimos midiendo y derivamos los casos inciertos a una persona en lugar de adivinar.

Más información: Desarrollo de IAEnlace a esta pregunta

Trabajamos con modelos comerciales como los modelos GPT de OpenAI, Anthropic Claude y Google Gemini, con modelos abiertos como Meta Llama y Mistral, y con aprendizaje automático clásico cuando encaja mejor. Elegimos para cada tarea según la calidad, el costo, la latencia y dónde puede ejecutarse el modelo. Diseñamos para que el modelo pueda cambiarse más adelante. Mencionar un proveedor no implica una alianza con él.

Más información: Desarrollo de IAEnlace a esta pregunta

Reducimos el riesgo por capas. El modelo responde a partir de fragmentos recuperados de su contenido y debe citarlos. Las salvaguardas comprueban que esos fragmentos respaldan cada afirmación. Cuando las fuentes no contienen una respuesta, la funcionalidad lo indica en lugar de adivinar. El conjunto de evaluación mide con qué frecuencia hay respuestas sin respaldo, y no publicamos hasta que esa tasa cumple el umbral que usted acuerde.

Más información: IA generativa e integración de LLMEnlace a esta pregunta

Para responder a partir de sus documentos, la recuperación suele ser el mejor punto de partida: mantiene las respuestas actualizadas, muestra las fuentes y respeta los permisos. El ajuste fino ayuda cuando se necesita un formato o un estilo uniforme, un vocabulario especializado o un modelo más pequeño y económico de ejecutar. Muchos sistemas combinan ambos. Probamos las opciones con su conjunto de evaluación y recomendamos la más sencilla que alcance el nivel exigido.

Más información: IA generativa e integración de LLMEnlace a esta pregunta

Elegimos para cada tarea según la calidad de las respuestas en su conjunto de evaluación, el costo por solicitud, la velocidad, el soporte de idiomas y dónde se permite ejecutar el modelo. Las opciones incluyen los modelos GPT de OpenAI, Anthropic Claude, Google Gemini, Meta Llama y Mistral, mediante servicios como Azure OpenAI, Amazon Bedrock o Vertex AI. El modelo queda detrás de una única interfaz, por lo que puede sustituirse más adelante.

Más información: IA generativa e integración de LLMEnlace a esta pregunta

Depende del problema, no de una cantidad fija. Lo importante es contar con un histórico suficiente para cubrir los patrones que el modelo debe aprender, incluidas las estacionalidades y los eventos poco frecuentes, y con etiquetas fiables del resultado que quiere predecir. Lo comprobamos durante la revisión de datos y le decimos con claridad si los datos todavía no permiten alcanzar el objetivo, y qué recopilar para que lo permitan.

Más información: Aprendizaje automáticoEnlace a esta pregunta

Depende más de su nube, sus volúmenes, sus capacidades y su presupuesto que de un producto concreto. Snowflake, Databricks, BigQuery y Amazon Redshift funcionan bien para la mayoría de las empresas, y PostgreSQL es suficiente para muchas. Comparamos las opciones con sus requisitos y sus contratos vigentes, y diseñamos para que las transformaciones, escritas en SQL con dbt, sigan siendo portables.

Más información: Ingeniería y analítica de datosEnlace a esta pregunta

Sí. Usamos los métodos de extracción admitidos por el ERP, como sus API, sus servicios de exportación o la captura de datos de cambios desde una réplica, en lugar de consultas pesadas contra la base de datos en producción. Cuando es necesario, las cargas se programan fuera de los periodos de mayor carga. Con SAP, Oracle, Microsoft Dynamics 365, NetSuite y Odoo seguimos el enfoque que recomienda cada proveedor.

Más información: Ingeniería y analítica de datosEnlace a esta pregunta

Solo para decisiones que no pueden esperar, como el filtrado de fraude, la disponibilidad de inventario o el estado de los pagos. Para la mayoría de los informes bastan cargas cada hora o nocturnas, cuya operación cuesta mucho menos. Usamos procesamiento en streaming con Apache Kafka o captura de datos de cambios donde se necesita tiempo real, y procesos por lotes donde no, y lo decidimos con usted para cada caso de uso.

Más información: Ingeniería y analítica de datosEnlace a esta pregunta

La mayoría de los documentos empresariales estructurados y semiestructurados: facturas de proveedores, notas de crédito, recibos, extractos y avisos bancarios, órdenes de compra, notas de entrega, documentos aduaneros y de transporte, siniestros, formularios de solicitud y documentos de identidad. La escritura a mano, los escaneos de baja calidad y los formatos poco habituales reducen la precisión, por eso medimos con sus propias muestras antes de acordar el alcance.

Más información: Automatización inteligente e IA documentalEnlace a esta pregunta

No. La automatización robótica de procesos (RPA) reproduce clics en una pantalla y falla cuando la pantalla cambia. Nosotros leemos el documento con IA documental, lo verificamos con reglas de negocio y lo registramos a través de las interfaces admitidas por el ERP. Cuando un sistema no tiene ninguna interfaz, la automatización de pantallas puede ser el último recurso, y lo indicamos cuando la usamos.

Más información: Automatización inteligente e IA documentalEnlace a esta pregunta

Registramos en SAP S/4HANA, Oracle NetSuite, Microsoft Dynamics 365, Odoo y Sage, y en sistemas a medida y de flujo de trabajo, a través de sus API, sus servicios de importación o sus plataformas de integración. El registro sigue las mismas reglas de aprobación que su equipo usa hoy. Mencionar aquí un producto no implica una alianza con su proveedor.

Más información: Automatización inteligente e IA documentalEnlace a esta pregunta