Tipos de datos, calidad y accesibilidad
La calidad del dato (exactitud, completitud, consistencia y relevancia) y su accesibilidad (disponibilidad, usabilidad, formato adecuado y coste de acceso) condicionan el resultado de la IA generativa antes que la elección del modelo.
1. El problema de negocio
Una aseguradora prueba un asistente generativo para que sus tramitadores resuelvan siniestros consultando pólizas y peritajes. Las respuestas mezclan condiciones de pólizas antiguas y omiten coberturas: los PDF escaneados están repartidos por carpetas departamentales con versiones duplicadas y contradictorias, y los datos de clientes viven en tablas que solo un equipo sabe consultar. La dirección propone probar un modelo más potente antes de tocar los datos.
2. Solución de Google: BigQuery para datos estructurados y Cloud Storage para no estructurados
- Servicio
- para datos estructurados y Cloud Storage para no estructurados
- Capa
- Plataforma
- Por qué
- Ordenar el dato por tipo (tablas de clientes, estructuradas, en BigQuery; pólizas y peritajes, no estructurados, en Cloud Storage) y depurar duplicados y versiones contradictorias ataca la causa real. Un modelo más potente no corrige un dato inexacto o inconsistente; un dato limpio y accesible mejora cualquier modelo con menos coste.
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[Capa de esta lección]
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
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
- El asistente debe responder con un dato que cambia a diario y una copia cargada de forma periódica en el almacén quedaría desfasada entre cargas.
- Variable que fuerza el cambio
- Frescura del dato
- Alternativa
- Recuperar el dato vigente de su fuente en cada consulta con el patrón RAG, en lugar de responder desde una copia periódica.
4. La trampa habitual
- [✗] Distractor
- Reunir pólizas, peritajes y tablas de clientes en un repositorio común para que el asistente acceda a todas las fuentes.
- Por qué tienta
- Resuelve la dispersión en carpetas departamentales, que es el síntoma más visible, y mejora la disponibilidad del dato.
- Por qué es incorrecto
- Mejorar la accesibilidad no corrige la calidad: las versiones duplicadas y contradictorias siguen fallando en consistencia y exactitud, y el asistente seguiría mezclando condiciones antiguas.
5. Micro-check
Fuentes oficiales
Plataforma de datos de Google Cloud, totalmente gestionada y sin servidor, para almacenar y analizar grandes volúmenes de datos con SQL. Sus funciones de IA generativa llaman a modelos como Gemini desde SQL sin sacar los datos del almacén.
Ficha de BigQuery