2 formas más de hibridar la IA predictiva y la IA generativa

IA predictiva e IA generativa Son dos animales muy diferentes que resulta que se necesitan desesperadamente el uno al otro. Debido a que tienen diferentes propósitos, los proyectos que los utilizan suelen estar separados unos de otros. Sin embargo, estos dos “sabores” de IA están destinados a casarse porque cada uno aprovecha las mayores limitaciones del otro: la GenAI es costosa y a menudo poco confiable, mientras que la IA predictiva es difícil de usar.

Abordar sus limitaciones de esta manera es clave para lograr la confiabilidad que la IA necesita suavizar la inminente detonación de la burbuja de IA. En un artículo anteriorCubrí cinco formas de hibridar la IA generativa y predictiva para que se ayuden entre sí:

A) Abordar el fatal problema de confiabilidad de genAI apuntando de manera predictiva a la intervención humana en el circuito.

B) Abordar la complejidad de la IA predictiva con un chatbot que sirva como asistente y socio de pensamiento para dilucidar, aclarar y sugerir.

C) Utilice genAI para “código vibrante” para proyectos de IA predictivos.

D) Utilice genAI para obtener funciones predictivas.

E) Utilice grandes modelos de bases de datos, que utilizan métodos similares a los grandes modelos de lenguaje para aprender de datos estructurados y hacer que el desarrollo de IA predictiva sea más llave en mano.

Para ampliar estos cinco, aquí hay dos formas más en las que la IA genética y la IA predictiva funcionan mejor juntas.

1) GenAI explica las decisiones predictivas de IA

Es casi obvio que la genAI puede explicarse por sí sola. Puse una foto de mi hijo en el chatGPT, junto con la pregunta: “¿Esta persona está feliz? ¿Puedes explicar tu respuesta?”. y salió bien (aunque un solo ejemplo no prueba la fiabilidad en general).

Esta capacidad se extiende a la toma de decisiones en memoria a gran escala que implementa la IA predictiva para dominios altamente sensibles como las decisiones crediticias y el diagnóstico médico.

Si bien estos proyectos de IA predictiva tienden a emplear modelos más simples que los modelos genAI, los modelos predictivos aún pueden ser demasiado complejos para que los humanos los comprendan en su forma original. Mucho antes de la llegada de los transformadores, los grandes modelos de lenguaje y la genAI, ya se sabía que los métodos de aprendizaje automático que subyacen a la IA predictiva producían cajas negras. Para proyectos que fueron más allá de métodos más simples como árboles de decisión y regresión logística, en lugar de utilizar métodos más sofisticados como modelos de conjunto y redes neuronales, los modelos resultantes eran, y siguen siendo, generalmente impenetrables, demasiado complejos para entender.

El campo del aprendizaje automático explicable, también conocido como IA explicable o XAI, surgió para brindar a los humanos información sobre cómo un modelo de ML impulsa las decisiones. Para muchos proyectos, esta comprensión humana es fundamental para examinar los modelos en función de consideraciones éticas o para ganarse la confianza de las partes interesadas que sólo se sienten cómodas dando luz verde cuando tienen alguna intuición sobre lo que hace que un modelo funcione.

Pero el ML explicable a menudo no logra aclarar las cosas por completo. Si bien los enfoques XAI brindan información técnica que los expertos en ML comprenden, no necesariamente cierran completamente la “brecha de comprensión” al brindar explicaciones a las partes interesadas del negocio.

Ingrese genAI, que traduce explicaciones técnicas al inglés simple (u otros lenguajes humanos). Por ejemplo, el sistema TalkToModel hace diálogos como este:

Humanos: El solicitante 358 quiere saber por qué se le negó el préstamo. Usted pude decirme

Hablar con el modelo: Se les negó debido a sus ingresos y puntaje crediticio.

Humanos: ¿Qué podrían hacer para cambiar esto?

Hablar con el modelo: Aumenta el puntaje crediticio en 30 y los ingresos en $1,000.

XAI no solo explica una decisión individual a la vez, sino que también proporciona una descripción general del proceso de toma de decisiones de un modelo:

Humanos: ¿Qué tipos de pacientes suele predecir incorrectamente el modelo (diabetes)?

Hablar con el modelo: Para datos anteriores a 30, el modelo normalmente predice incorrectamente. Si IMC > 26,95 y Glucosa < 125 y Pedigree < 0,943, el modelo es incorrecto en el 62,3% de 53 muestras.

Al abordar fácilmente la necesidad de explicaciones en lenguaje sencillo, genAI para XAI es vital, prometedor y rápidamente emergente área

2) La IA predictiva se acerca económicamente a la GenAI

Los modelos GenAI son de propósito general. En lugar de estar especializados para una tarea concreta, ofrecen una aplicabilidad muy amplia. Pero los modelos genAI sólo logran esta generalidad si son grandes y, por lo tanto, su uso es costoso desde el punto de vista computacional. No importa para qué lo uses, genAI conlleva estos enormes gastos generales.

¿El remedio? Entrene un modelo de IA predictivo más ligero para emular genAI, para una sola tarea a la vez.

Por ejemplo, un fabricante de la India necesita validar un millón de tiendas minoristas, en parte analizando fotografías de las tiendas tomadas por el personal de ventas. Algunas fotografías son fraudulentas, en parte debido a un incentivo dado al personal de ventas para que envíen una buena cantidad de fotografías de la tienda para confirmar el alcance de sus esfuerzos de ventas de campo. Además, otras fotografías son inaceptables porque no cumplen con ciertos estándares visuales. Si las fotos no válidas no se detectan, le cuesta al fabricante, lo que genera esfuerzos de ventas desperdiciados, métricas inexactas y otros problemas.

GenAI ofrece un enfoque sólido: simplemente muéstrele una foto del escaparate y haga preguntas relacionadas con su validación, como si los carteles y los productos son visibles, si es de día y la tienda expuesta está abierta, y si se muestra todo el exterior de la tienda.

Pero aplicar este enfoque a un millón de imágenes sería prohibitivo. Rohit Agarwal, director de IA del proveedor de IA Bizom, ha demostrado que la IA predictiva aborda este problema (como lo presentó en la serie de conferencias que fundé, Machine Learning Week 2025). haga clic aquí para ver sus diapositivas detalladas).

Arrancando la IA predictiva con GenAI

Primero, el equipo de Rohit utilizó genAI para clasificar una muestra de 10.000 imágenes. Específicamente, para mejorar el rendimiento, emplearon tres grandes modelos de lenguaje multimodelo en competencia para clasificar cada imagen como aceptable o inaceptable, y contaron como aceptables solo aquellas etiquetadas unánimemente como tales por los tres modelos.

En segundo lugar, su equipo utilizó estos datos etiquetados como datos de entrenamiento y prueba para desarrollar modelos de aprendizaje profundo (redes neuronales convolucionales), el método de aprendizaje supervisado estándar establecido para este tipo de problemas de clasificación de imágenes.

El modelo de aprendizaje profundo resultante es eficaz y práctico. Se acerca lo suficiente al desempeño de genAI para servir al proyecto. Y es un modelo mucho más pequeño, capaz de clasificar millones de imágenes sin incurrir en gastos excesivos. Ampliando este enfoque con un proceso similar y complementario que detecta duplicados (fotos de la misma tienda presentadas como tiendas diferentes), Bizom ha desarrollado una solución completa.

GenAI no puede cumplir con los requisitos de este proyecto sin IA predictiva, y viceversa. Al final, una red neuronal profunda funciona por sí sola, sin genAI, pero no podría haber llegado allí sin genAI para crear los datos de entrenamiento en primer lugar. logrando Los datos etiquetados son un cuello de botella para la IA predictivaEntonces, otra forma de pensar en este proyecto es que genAI etiqueta los datos de entrenamiento para la IA predictiva.

Ambos enfoques híbridos le permiten quedarse con el pastel y comérselo también: puede aprovechar las capacidades únicas de genAI mientras disfruta de la huella mucho más ligera de los métodos de IA predictivos estándar. Curiosamente, ambos enfoques implican la creación de versiones más simples de modelos para hacerlos más manejables, más comprensibles o menos costosos de usar, respectivamente. Sin embargo, ambos enfoques aprovechan las capacidades relativamente nuevas que ofrecen los modelos complejos de genAI.

Para conocer otras cinco formas de hibridar la IA predictiva y la genAI, consulte mi articulo anterior y asista a mi presentación, “Siete formas de IA predictiva híbrida y GenAI ofrecen valor empresarial”, en el evento en línea gratuito. Día IBM Z (disponible el 12 de noviembre de 2025 y disponible bajo demanda a partir de entonces).

Si su trabajo involucra IA híbrida, considere enviar una propuesta a hablar en la Semana del Aprendizaje Automático 2026.