Cada compañía quiere hacer avances con IA. Pero si sus datos son malos, sus iniciativas en IA están condenadas desde el principio. Esta es una de las razones por las cuales fallan el impresionante 95% de los pilotos generativos.
Personalmente, vi cómo los modelos de inteligencia artificial aparentemente bien construidos, que se llevan a cabo de manera confiable durante las pruebas, pueden omitir detalles importantes que los hacen funcionar en el futuro. Y en el mundo de la IA física, las consecuencias pueden ser graves. Considere la conducción independiente de los automóviles Tesla que experimentan dificultades con la detección de peatones con baja visibilidad; O los sistemas anti-besos de Walmart que marcan el comportamiento normal de los clientes como sospechosos.
Como director general de la startup visual de la IA, a menudo pienso en estos peores escenarios, y me doy cuenta de su razón principal: los malos datos.
Resolver el problema incorrecto con los datos
A pesar de la aparición de modelos de visión a gran escala, varios conjuntos de datos y logros en la infraestructura de datos, Visual AI sigue siendo extremadamente complicado.
Tome un ejemplo de la tecnología de Amazon “simplemente salga” sin un cajero para sus tiendas de comestibles estadounidenses. En ese momento, era una especie de idea loca: los compradores podían ingresar a la tienda Amazon Fresh, tomar sus cosas y irse, no esperar en la fila para pagar. Se supuso que la tecnología principal era una sinfonía compleja de IA, sensores, datos visuales y tecnologías RFID para lograr esta experiencia. Amazon consideró esto como el futuro de las compras, lo que viola actores como Walmart, Kroger y Albertsons.
Amazon Visual AI puede identificar con precisión a un comprador que recolecta una participación en condiciones ideales, altos pasajes, compradores y productos individuales en sus lugares designados.
Desafortunadamente, el sistema estaba luchando por rastrear objetos en pasajes y pantallas abarrotados. También surgieron problemas cuando los clientes devolvieron artículos a diferentes estantes o cuando hicieron compras en grupos. El modelo visual de IA no tenía suficiente capacitación de comportamiento poco frecuente para funcionar bien en estos escenarios.
El principal problema no era la sofisticación tecnológica: era una estrategia de datos. Amazon enseñó sus modelos durante millones de horas de video, pero incorrectos millones de horas. Optimizaron los escenarios generales, subestimando simultáneamente el caos, lo que impulsa el comercio minorista real.
Amazon continúa mejorando la tecnología, una estrategia que enfatiza el problema principal al implementar la IA visual. El problema no era suficiente potencia informática o sofisticación algorítmica. Los modelos necesitaban datos de capacitación más completos que confiscaran una gama completa de comportamiento del cliente, y no solo los escenarios más comunes.
Este es un punto ciego de mil millones de dólares: la mayoría de las empresas resuelven el problema de datos incorrecto.
Calidad en cantidad
Las empresas a menudo sugieren que una escala simple de datos, la unificación de millones de más imágenes o videos, cerrará la brecha en el rendimiento. Pero Visual AI no falla de: hay muy pocos datos; Esto no es posible a partir de los datos incorrectos.
Las empresas que constantemente tienen éxito han aprendido a supervisar sus conjuntos de datos con la misma gravedad que aplican a sus modelos.
Deliberadamente buscan y marcan casos difíciles: rasguños que apenas están registrados en la parte, una empresa de una enfermedad rara en una imagen médica, un estado de iluminación mil en una línea de producción o una emisión peatonal entre automóviles estacionados en Twilight. Estos son casos que rompen los modelos en la implementación y casos que separan el sistema adecuado de listo a producción.
Es por eso que la calidad de los datos se convierte rápidamente en una verdadera ventaja competitiva en la IA visual. Las empresas inteligentes no persiguen con un gran volumen; Invierten en herramientas para medir, supervisar y mejorar constantemente sus conjuntos de datos.
Cómo las empresas pueden usar con éxito Visual AI
Al trabajar en cientos de grandes despliegues de inteligencia artificial visual, hay ciertas mejores prácticas que se destacan.
Las organizaciones exitosas se invierten en datos del estándar de oro para evaluar sus modelos. Esto incluye una extensa revisión humana para la catalogación de los tipos de escenarios, que deben realizarse bien en el mundo real del modelo. Al construir criterios, es muy importante evaluar los casos de borde, y no solo típico. Esto le permite realizar una evaluación integral del modelo y tomar decisiones razonables sobre si el modelo está listo para la producción.
Luego, los principales equipos multimodales de inteligencia artificial invierten en una infraestructura centradas en datos que promueven la cooperación y fomentan la visualización del rendimiento del modelo, y no solo en su medición. Esto ayuda a aumentar la seguridad y la precisión.
En última instancia, el éxito con la IA visual no proviene de modelos más grandes o más informática: se asocia con el procesamiento de datos como base. Cuando las organizaciones se colocan en el centro de su proceso, desbloquean no solo los mejores modelos, sino también la IA más segura, inteligente y más efectiva en el mundo real.
Las opiniones expresadas en Fortune.com son exclusivamente las opiniones de sus autores y no reflejan necesariamente las opiniones y creencias de la buena suerte.
Fortune Global Forum regresa del 26 al 27 de octubre de 2025 a ER -iad. Los CEO y los líderes mundiales se reunirán para una invitación dinámica, única que forma el futuro del negocio. Solicitar una invitación.
