La implementación de productos de IA difiere de los productos tradicionales en que requiere una mayor variedad de perfiles involucrados, es más iterativa (debido a la necesidad de seleccionar, ajustar y evaluar modelos) y debe proporcionar al producto componentes de control, evolución y explicabilidad.

Seguimos analizando cómo difieren las actividades de desarrollo en productos basados en AI frente a los tradicionales.

El equipo de Implementación construye la solución a partir de los requisitos y las especificaciones generadas durante la Definición y Diseño de producto. Como paso fundamental de esta actividad el equipo crea una especificación técnica que describe la arquitectura y la construcción interna de la solución. El objetivo es llegar a una “unidad cero” del producto que garantice la replicabilidad/fabricabilidad, la calidad, la escalabilidad en las prestaciones, la posibilidad de evolución y la adaptabilidad (en su caso) del producto a diferentes segmentos de clientes.

Dado que la IA consiste esencialmente en software, la implementación de estos productos se suele instrumentar como uno -o varios- proyectos que se gestionan y ejecutan, dependiendo del escenario, usando técnicas y herramientas tales como:

• Desarrollo ágil.
• Desarrollo en cascada.
• Herramientas Low-code o No-code.
• Desarrollo asistido por AI.

Sobre este último punto, mucho se ha venido hablando recientemente sobre el «vibe coding”: utilizar la IA para generar código a partir de instrucciones en lenguaje natural. Y es que el enfoque ofrece ventajas, pero requiere una aplicación cuidadosa.

Ventajas:

• Rapidez: permite la creación rápida de prototipos y aplicaciones básicas.
• Accesibilidad: reduce la barrera para que los no programadores desarrollen sus ideas.
• Aumento de la creatividad: libera a los desarrolladores para que se centren más en la arquitectura que en la sintaxis.

Inconvenientes:

• Calidad del código: el código generado por IA puede no estar optimizado o introducir alucinaciones y deuda técnica.
• Retos de depuración: corregir el código opaco de la IA puede requerir muchos esfuerzo.
• Riesgos de seguridad: el código no probado puede incluir vulnerabilidades.

Por eso de momento el “vibe coding” está indicado en los siguientes casos:

• Creación de prototipos: Ideal para MVP o proyectos de prueba de concepto.
• Funciones y características no críticas: componentes de interfaz de usuario sencillos o código repetitivo.

Las diferencias más importantes entre productos de IA y tradicionales en el área de Implementación de producto son:

• Proceso de desarrollo y composición del equipo. En el desarrollo de la IA participan científicos de datos, ingenieros de aprendizaje automático y evaluadores de modelos junto con ingenieros de software tradicionales. El equipo debe colaborar en la construcción de modelos, la ingeniería de datos y la integración de software. Esto hace que el proceso sea más iterativo, ya que los modelos se ajustan y prueban, y suele requerir conocimientos especializados en marcos de aprendizaje automático, pipelines de datos y herramientas de despliegue.
• Recopilación y preparación de datos. Una parte importante de la fase de implementación se dedica a recopilar, limpiar, etiquetar y transformar los datos. La calidad de los datos, el preprocesamiento y la ingeniería de características son pasos críticos, ya que el rendimiento del modelo de IA depende en gran medida de la precisión, relevancia e integridad de los datos. Esta fase suele ser la que más tiempo requiere y exige recursos específicos de ingeniería de datos.
• Selección, entrenamiento y ajuste de modelos. La implementación de la IA implica seleccionar y experimentar con diferentes modelos, algoritmos de entrenamiento y ajuste de hiperparámetros para optimizar el rendimiento. El entrenamiento de un modelo de IA es un proceso iterativo, que requiere ensayo y error y evaluaciones periódicas del rendimiento utilizando métricas como la exactitud, la precisión, la cobertura y el valor F1. Este proceso puede llevar días, semanas o incluso más tiempo, dependiendo de la complejidad del modelo y de los datos.
• Prototipado, experimentación y evaluación de modelos. La experimentación es fundamental, ya que el rendimiento del modelo puede variar significativamente en función de los hiperparámetros y las configuraciones de los datos. Durante la implementación, los desarrolladores evalúan continuamente el rendimiento del modelo frente a conjuntos de validación, ajustando el modelo o los datos según sea necesario. La evaluación del modelo también tiene en cuenta la imparcialidad, el sesgo y la interpretabilidad, lo que requiere métricas y pruebas adicionales para garantizar un uso ético.
• Pruebas y validación. Además de las pruebas tradicionales, los productos de IA requieren una validación exhaustiva de la precisión predictiva y la generalizabilidad del modelo. Esto implica pruebas de rendimiento en conjuntos de entrenamiento, validación y pruebas no vistos previamente para evitar el sobreajuste. La validación incluye el tratamiento de casos extremos, el análisis del sesgo del modelo y la garantía de robustez en condiciones de datos variadas. Estas pruebas son continuas, ya que puede ser necesario volver a entrenar los modelos si cambia la distribución de los datos.
• Implantación e integración continua. El despliegue implica la creación de entornos y canales que permitan la integración continua, el reentrenamiento de modelos y la supervisión periódica de los mismos. Puede que sea necesario volver a entrenar los modelos a medida que se disponga de nuevos datos, por lo que el despliegue incluye mecanismos para el reentrenamiento y el redespliegue automáticos, así como herramientas para supervisar la deriva (drift), la precisión y el rendimiento de los modelos. A menudo se utilizan marcos MLOps, que facilitan este flujo de trabajo.
• Control y gestión de errores. La gestión de errores en la IA incluye la supervisión de problemas como la desviación del modelo, la disminución del rendimiento o las predicciones anómalas. Para ello, es necesario implantar herramientas de supervisión que monitoricen los cambios en la precisión o confianza del modelo a lo largo del tiempo y alerten a los desarrolladores si el rendimiento del modelo disminuye. Los sistemas de IA también pueden requerir mecanismos adicionales de realimentación del usuario para capturar resultados inesperados.
• Interfaz de usuario para los resultados e interpretabilidad de la IA. A menudo, la interfaz de usuario debe acomodar los resultados probabilísticos mostrando puntuaciones de confianza, explicaciones o sugerencias alternativas. La aplicación requiere el diseño de interfaces intuitivas que ayuden a los usuarios a comprender e interpretar las predicciones de la IA, especialmente en aplicaciones críticas. También pueden integrarse técnicas de IA Explicable (XAI), lo que puede añadir complejidad al desarrollo tanto del front-end como del back-end.
• Seguridad y privacidad. La implementación implica una mayor atención a la privacidad, especialmente en torno a la recopilación de datos, el almacenamiento y al entrenamiento de modelos. El acceso a los pipelines de datos, los modelos de entrenamiento y los resultados debe ser seguro para evitar fugas de datos o accesos no autorizados. Garantizar el cumplimiento de las leyes de privacidad (por ejemplo, GDPR) es a menudo más difícil porque los modelos de IA procesan con frecuencia datos personales sensibles.
• Mantenimiento continuo y gestión de modelos. Los productos de IA requieren un seguimiento, una evaluación y un reentrenamiento continuos para mantener la exactitud y la relevancia del modelo. La recopilación continua de datos y los bucles de realimentación pueden ser necesarios para detectar la desviación del modelo o adaptarse a patrones cambiantes. A menudo se aplican prácticas de MLOps para agilizar este ciclo de vida, garantizando que los modelos sigan siendo exactos y útiles a lo largo del tiempo.

Muy importante: riesgo de Factibilidad

La IA es, por su propia naturaleza, no determinista. No tenemos ninguna garantía de que va a funcionar adecuadamente para resolver el problema de mercado que queremos resolver. Una tecnología que puede personalizar un feed de noticias con una tasa de error aceptable puede resultar totalmente inadecuada para dosificar un medicamento. La disponibilidad de datos de entrenamiento en cantidad y con calidad es un aspecto primordial a este respecto.

Por eso para evitar el riesgo de factibilidad están cobrando más importancia los prototipos y pruebas de concepto construidos mediante asistencia de IA.

En el próximo post analizaremos si a los clientes les importa realmente nuestra nueva funcionalidad de IA.

El post “Productos basados en IA vs. tradicionales: implementación de producto” se publicó primero en “Marketing & Innovación”.

[¿Quieres aprender a aplicar estas ideas en tu empresa? Nuestros talleres sobre Product Management de productos tecnológicos y Product Marketing de productos tecnológicos te pueden ayudar.]