Cómo invertir en Inteligencia Artificial: desde el desarrollo hasta el despliegue
Las mejores estrategias de inversión en IA desde la perspectiva de un desarrollador
La Inteligencia Artificial (IA) no es un concepto recién llegado al ámbito tecnológico; sus raíces se remontan a la década de 1950. A pesar de haber atravesado diversos “inviernos”, es en los últimos 15 años cuando, impulsada por el aumento de datos disponibles y el incremento en capacidad de cómputo, ha experimentado un florecimiento significativo. No obstante, no fue sino hasta la popularización de tecnologías como GPT-3 cuando la IA atrajo la mirada del público general.
Este artículo tiene como objetivo explorar las mejores estrategias de inversión en IA desde la perspectiva de un desarrollador, considerando las necesidades esenciales para la creación de algoritmos de IA.
Dentro del amplio espectro de la IA, encontramos campos variados como Machine Learning, Redes Neuronales, GANs, Aprendizaje por Refuerzo, y Procesamiento del Lenguaje Natural, entre otros. A pesar de sus diferencias, todos comparten una necesidad fundamental: datos.
Protagonistas
Los modelos de IA requieren datos no solo abundantes, sino también de alta calidad; cuanto más limpios y etiquetados estén, más fluido será el proceso de desarrollo. En el mercado bursátil, empresas como Factset, S&P Global, Morningstar, y MSCI —especializadas en datos financieros—, junto a gigantes tecnológicos como Google, Amazon, Microsoft y X (anteriormente Twitter), se destacan en este sector.
Una vez adquiridos los datos, es imperativo almacenarlos adecuadamente. Aquí surge la disyuntiva entre utilizar bases de datos propias, generalmente soportadas por Oracle, o inclinarse por opciones más populares entre startups, como MongoDB o las soluciones que ofrecen nubes prominentes como AWS (Amazon), Azure (Microsoft) o Google Cloud (Alphabet).
Con los datos en mano, el siguiente paso implica la limpieza y preparación de estos para la creación de algoritmos. Dependiendo del proyecto, se seleccionarán librerías específicas con modelos preestablecidos de IA, usualmente de código abierto, respaldadas por empresas como Alphabet, Facebook y OpenAI.
El desarrollo de modelos se coordina, en general, mediante plataformas de gestión de proyectos como Jira, ofrecida por Atlassian. Posteriormente, se procede con las fases de entrenamiento y prueba, que pueden requerir capacidades computacionales que superan las de un equipo convencional. En estos casos, es común recurrir a servicios de cómputo en la nube como AWS, Google Cloud o Azure.
Para configurar sus servidores, estas empresas confían en proveedores como Dell, Hewlett Packard, IBM, Lenovo, Cisco, Nvidia, Intel, AMD, Samsung Electronics, Western Digital, Netapp, Micron y Quanta, entre otros. Estos, a su vez, dependen de una cadena de suministros que incluye a compañías como TSMC, GlobalFoundries, ASML, Texas Instrument, TE Connectivity, Entegris, Sumco, Siltronic y Globalwafers.
Una vez desarrollado y afinado el algoritmo, se procede a la fase de implementación para garantizar su acceso a una audiencia más amplia. De nuevo, las soluciones en la nube, particularmente AWS, Azure y Google Cloud, ofrecen herramientas cruciales para el despliegue efectivo de aplicaciones, facilitando el desarrollo de APIs necesarias para su funcionamiento.
Finalmente, tras la puesta en marcha, es esencial monitorizar la aplicación, tarea para la cual se pueden utilizar herramientas proporcionadas por las plataformas de nube o alternativas como DataDog.
Cabe destacar que muchas compañías, al no contar con las capacidades para desarrollar proyectos de manera autónoma, optan por colaborar con consultoras externas. Aunque este sector está altamente fragmentado, existen referencias en el mercado como Accenture y Capgemini.
Todas estas compañías nos ofrecen oportunidades interesantes de inversión en un universo en pleno crecimiento