Casos de uso de negocio de la IA generativa
Identificar en qué iniciativas de negocio aporta valor la IA generativa, a partir de sus ejemplos de caso de uso, y entender el prompting: la forma de interactuar con un modelo fundacional y de guiarlo.
1. El problema de negocio
Un organismo público ha reunido una lista de iniciativas candidatas de sus áreas: redactar respuestas a consultas ciudadanas, ilustrar campañas informativas, producir vídeos explicativos de trámites, ayudar con el código de la sede electrónica, consultar las cifras de sus informes y adaptar el portal a cada ciudadano. También figura clasificar cada mes cientos de miles de solicitudes de ayudas según un histórico ya etiquetado. La dirección no sabe cuáles son casos para la IA generativa.
2. Solución de Google: Gemini y Veo, modelos fundacionales de Google
- Servicio
- y , modelos fundacionales de Google
- Capa
- Modelos
- Por qué
- Los modelos fundacionales cubren los ejemplos de caso de uso de la IA generativa: generación de texto, de imagen, de código y de vídeo, análisis de datos y experiencia de usuario personalizada. Con ellos se crea, se resume, se descubre y se automatiza: redactar una respuesta es crear y automatizar ahorra tareas manuales a cada área.
Ver la capa en el mapa de 5 capas
Capa 5Aplicaciones
La parte con la que interactúa el usuario final.
- Gemini app
- Gemini Enterprise
- Google Workspace with Gemini
- Gemini Notebook
- Gemini for Google Cloud
Capa 4Agentes
Software que persigue un objetivo usando un modelo y herramientas.
- Agentes en Agent Platform
- Gemini Enterprise for Customer Experience
Capa 3Plataforma
APIs, gestión de datos y despliegue de modelos; abstrae la infraestructura.
- Agent Studio
- Agent Search
- Model Garden
- Agent Platform AutoML
- RAG Engine
- Agent Runtime
Capa 2Modelos[Capa de esta lección]
Algoritmos entrenados con grandes volúmenes de datos que generan contenido.
- Gemini
- Gemma
- Imagen
- Veo
Capa 1Infraestructura
Cómputo y almacenamiento físico para entrenar y servir modelos.
- AI Hypercomputer
- Cloud TPU
- GPU
- Centros de datos de Google
3. Límites
- No la uses si
- La tarea es clasificar o predecir con un histórico ya etiquetado, como los cientos de miles de solicitudes mensuales: eso es aprendizaje supervisado, no generación de contenido.
- Variable que fuerza el cambio
- Volumen de usuarios o datos
- Alternativa
- Un modelo de ML predictivo entrenado con sobre los datos tabulares de las solicitudes.
4. La trampa habitual
- [✗] Distractor
- Tomar por caso de análisis de datos con IA generativa la clasificación mensual de las solicitudes de ayudas, que es una predicción con un modelo de ML entrenado con datos etiquetados.
- Por qué tienta
- La iniciativa trabaja con datos y el análisis de datos figura entre los ejemplos de caso de uso, así que parece encajar sin más.
- Por qué es incorrecto
- Clasificar con un histórico ya etiquetado es aprendizaje supervisado: predice una etiqueta, no genera contenido nuevo. Esa clasificación mensual, por muchas solicitudes que sume, corresponde a un modelo de ML predictivo entrenado con esos datos.
5. Micro-check
Fuentes oficiales
Modelos fundacionales multimodales nativos de Google: procesan texto, código, imagen, audio y vídeo. Gamas: Pro (razonamiento complejo), Flash (equilibrio entre coste y latencia), Flash-Lite (volumen masivo a mínimo coste) y Nano (en el dispositivo). «Gemini» es también la marca de aplicaciones como la Gemini app.
Ficha de GeminiModelo de generación de vídeo de Google: crea clips a partir de una descripción en texto o de imágenes fijas, en una amplia variedad de estilos visuales y cinematográficos. Está disponible en Agent Platform.
Ficha de VeoOpción de Model Builder que entrena modelos de ML sin programar y con mínimo conocimiento técnico: automatiza la preparación de los datos, la elección del modelo y su ajuste para clasificar imágenes, detectar objetos o predecir con datos tabulares.
Ficha de Agent Platform AutoML