Tu empresa debería entrenar sus propios modelos de IA - Will Brown, Prime Intellect

Highlights

• Las organizaciones acumulan un gran volumen de conocimiento implícito que reside en correos electrónicos, notas de reuniones e interacciones cotidianas.

• Los agentes autónomos pueden analizar grandes volúmenes de datos de texto no estructurado para detectar ineficiencias en los flujos de trabajo corporativos.

• Las empresas pueden entrenar modelos de IA especializados para el trabajo de conocimiento por un costo de 300,000 dólares.

• El entrenamiento nocturno aprovecha la menor actividad de los empleados durante la noche para reentrenar los pesos de los modelos con la capacidad de inferencia diurna.

• La integración de interfaces dinámicas basadas en widgets permite a los usuarios humanos proporcionar etiquetas y preferencias precisas para refinar el comportamiento de los agentes.

Timeline

1. 00:00:00 - 06:45:00

   El futuro organizacional y los límites del aprendizaje en contexto

   Las empresas transitan desde el uso básico de chatbots hacia una integración profunda de agentes en los flujos de trabajo corporativos. Los agentes actuales reaprenden información de manera constante porque carecen del conocimiento latente que poseen los empleados humanos. Esta limitación genera un alto consumo de tokens y costos elevados de procesamiento de entradas repetitivas.

   • Las organizaciones integran agentes a lo largo de todo su ciclo de vida empresarial.
   • El aprendizaje actual de los agentes se basa principalmente en contexto y archivos de habilidades.
   • La entrada en caché representa el principal cuello de botella en los costos operativos de los agentes.
2. 06:45:00 - 11:30:00

   Transición de reglas a datos en los pesos de los modelos

   Las reglas explícitas operan como código, mientras que la fricción institucional y las preferencias se comportan como datos. La adquisición tradicional de conocimiento experto involucra múltiples intermediarios antes de llegar a los laboratorios de modelos frontera. Incorporar estas preferencias directamente en el entrenamiento del modelo elimina la necesidad de reescribir constantemente instrucciones en archivos locales.

   • Las preferencias, heurísticas y tendencias operativas funcionan como datos en lugar de código rígido.
   • La cadena actual de transferencia de conocimiento humano hacia los laboratorios de IA resulta indirecta e ineficiente.
   • El entrenamiento directo permite fijar preferencias de forma duradera sin saturar los archivos de configuración.
3. 11:30:00 - 20:06:00

   Evaluaciones, modelos de decisión y entrenamiento continuo

   Las organizaciones implementan evaluaciones basadas en rastros de producción para garantizar ciclos de vida saludables en sus modelos. El uso de modelos de decisión y widgets interactivos facilita la recolección de retroalimentación humana estructurada. Estas prácticas permiten automatizar los bucles de superación personal y acumular valor institucional en los pesos de los modelos de código abierto.

   • Las evaluaciones automatizadas actúan como casos de prueba esenciales para medir el desempeño de los modelos.
   • Una empresa llamada Paper Instruments entrenó un modelo óptimo para hojas de cálculo y presentaciones por 300,000 dólares.
   • El entrenamiento nocturno reutiliza la capacidad de inferencia ociosa para actualizar los pesos de los modelos de forma continua.