Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Capa 4: patrones de aplicación repetibles para casos de uso comunes de IA generativa

A medida que las empresas adoptan la IA generativa, han surgido patrones claros sobre cómo las organizaciones utilizan esta tecnología para impulsar el valor empresarial. Estos casos de uso comunes demuestran enfoques comprobados para aplicar la IA generativa en diferentes funciones empresariales. Estos casos de uso pueden ayudar a las organizaciones a identificar y priorizar sus propias oportunidades de implementación.

Al comprender estos casos de uso establecidos, las organizaciones pueden evaluar mejor dónde la IA generativa puede generar el impacto más inmediato y, al mismo tiempo, sentar las bases para una adopción más amplia. En esta sección, se describen las áreas clave en las que las empresas están implementando con éxito soluciones de IA generativa.

Asistentes generativos impulsados por IA

Los asistentes generativos impulsados por la IA ofrecen un soporte personalizado y sensible al contexto en diversas funciones empresariales. Estas herramientas son ideales para usuarios avanzados. Impulsan el rendimiento de los empleados que aprenden a integrarlos en su flujo de trabajo. Al utilizar modelos lingüísticos, estos asistentes mejoran la eficiencia, la productividad y la satisfacción de los usuarios en todas las organizaciones.

AWS ofrece Amazon Q Business, un asistente de IA de nivel empresarial listo para usar y altamente personalizable. La implementación implica adaptar su base de conocimientos con datos específicos de la organización para generar respuestas precisas y relevantes. La integración con los sistemas de gestión de relaciones con los clientes (CRM) y de planificación de recursos empresariales (ERP) mejora su utilidad y promueve un flujo de datos fluido y una funcionalidad completa en toda la empresa.

Para los equipos de desarrollo de software, AWS proporciona Amazon Q Developer. Este asistente de codificación está diseñado para aumentar la productividad al ayudar con la generación de código, la detección de errores, las sugerencias de refactorización y la creación de documentación. Cuando se integra perfectamente en los entornos de desarrollo integrados (IDEs), los desarrolladores pueden acceder a sus funciones directamente desde su entorno de codificación habitual, lo que agiliza los flujos de trabajo y reduce el cambio de contexto. Para obtener más información, consulte Generación y análisis de código este documento de estrategia.

Los casos de uso más comunes de los asistentes generativos impulsados por IA incluyen los siguientes:

Para maximizar la eficacia de los asistentes generativos impulsados por la IA, considere la posibilidad de empezar con un despliegue específico, por ejemplo, dentro de un departamento específico. Esto ayuda a los equipos de desarrollo a evaluar el impacto y a recopilar los comentarios de los usuarios antes de ampliarlo a toda la organización. Este enfoque gradual facilita el proceso de adopción y optimiza la adaptación del asistente a las necesidades de la empresa.

Para obtener más información sobre la creación de asistentes empresariales generativos impulsados por IA, consulte Desarrollar un asistente basado en chat totalmente automatizado con agentes y bases de conocimiento de Amazon Bedrock.

Asistentes RAG basados en el chat

Out-of-the-box Los modelos básicos, si bien son potentes, están limitados por sus datos previos al entrenamiento. Desconocen los acontecimientos recientes más allá de la fecha límite de formación y no comprenden los procesos específicos de la empresa ni los datos personalizados. Esta limitación los hace inadecuados para muchos casos de uso empresarial que requieren conocimientos de la organización.

La personalización de los modelos mediante ajustes precisos es un proceso complejo y caro, y recopilar datos de formación de alta calidad para ello puede ser todo un desafío. Retrieval Augmented Generation (RAG) aborda estas limitaciones al combinar modelos de lenguaje extensos (LLMs) con datos propios de una organización. Los enfoques RAG crean interacciones impulsadas por la IA que se basan en conocimientos de un dominio específico. Para obtener más información sobre el RAG y los ajustes, consulte las opciones de IA generativa para consultar documentos personalizados.

Entre los casos de uso habituales de los asistentes de chat de RAG se incluyen los siguientes:

AWS simplifica la implementación de los asistentes RAG basados en chat a través de las bases de conocimiento de Amazon Bedrock. Este servicio le ayuda a configurar una base de datos vectorial para consultar y recuperar datos de documentos personalizados. Las características clave incluyen la integración con Amazon Simple Storage Service (Amazon S3) para el almacenamiento de datos, la compatibilidad con servicios de terceros (como SharePoint Microsoft y Atlassian Confluence), las eficaces capacidades de búsqueda vectorial para la recuperación de documentos relevantes y la integración con modelos básicos (como Anthropic Claude) para crear asistentes basados en el chat conversacional. Para empezar, identifique una base de conocimientos bien definida y de alcance limitado y utilícela para crear un asistente de chat RAG. proof-of-concept A medida que las implementaciones se amplíen, preste atención a la actualización de los datos y a los costes computacionales de las operaciones de recuperación a gran escala.

Para obtener más información sobre la creación de asistentes de chat RAG, consulte lo siguiente:

Agentes de IA generativa

Los agentes de IA generativa representan un avance significativo en la automatización de procesos empresariales complejos. Estos agentes pueden gestionar flujos de trabajo sofisticados que tradicionalmente requerían la intervención humana al desglosar las tareas e interactuar con varios sistemas.

Las aplicaciones típicas de los agentes de IA generativa incluyen la organización automatizada del flujo de trabajo para procesos empresariales de varios pasos, los asistentes virtuales inteligentes para completar tareas interdepartamentales y los agentes de análisis de datos y generación de informes que pueden consultar múltiples bases de datos.

AWS proporciona herramientas, como Amazon Bedrock Agents, que le ayudan a crear e implementar agentes de IA. La implementación implica definir acciones personalizadas e integraciones de API que sean específicas para las necesidades de su empresa. También debe configurar mecanismos sólidos de gestión y registro de errores. Puede utilizar Amazon API Gateway AWS Lambdapara ejecutar funciones sin servidor y gestionar APIs flujos AWS Step Functionsde trabajo.

Las organizaciones pueden empezar por identificar un proceso repetitivo de varios pasos y trazar sus puntos de decisión y las interacciones del sistema. Esto sirve como modelo para el agente de IA generativo inicial. Las consideraciones clave incluyen validar el manejo adecuado de los errores y mantener la transparencia en los procesos de toma de decisiones.

Procesamiento inteligente de documentos

El procesamiento inteligente de documentos (IDP) utiliza la IA generativa y el procesamiento del lenguaje natural (NLP) para extraer, clasificar y procesar automáticamente la información de varios tipos de documentos. El IDP puede transformar el procesamiento de documentos no estructurados en flujos de trabajo automatizados y escalables.

Las soluciones de IDP modernas pueden adoptar dos enfoques: el procesamiento tradicional, basado en procesos, o el procesamiento directo y multimodal mediante modelos básicos. Para crear una canalización tradicional AWS, puede combinar Amazon Textract para el reconocimiento óptico de caracteres (OCR) y la comprensión de documentos con los modelos básicos de Amazon Bedrock para un análisis avanzado. Como alternativa, para el procesamiento directo y multimodal a través de modelos de base, puede utilizar modelos de state-of-the-art base (como Anthropic Claude en Amazon Bedrock) para procesar directamente imágenes y documentos escaneados en un solo paso. PDFs

Las organizaciones pueden elegir su enfoque en función de sus necesidades específicas. Las canalizaciones tradicionales se destacan en el procesamiento de grandes volúmenes y en los escenarios que requieren un control detallado. El procesamiento directo y multimodal mediante modelos básicos es ideal para documentos complejos que requieren una mayor precisión mediante una comprensión contextual sofisticada.

Entre los casos de uso más comunes del IDP se incluyen los siguientes:

La implementación suele utilizar arquitecturas basadas en eventos que utilizan Amazon S3 y Amazon Simple Queue Service (Amazon SQS). AWS Lambda Al cargar un documento en un bucket de Amazon S3, se inician los flujos de trabajo de procesamiento. Los resultados se almacenan en bases de datos, como Amazon DynamoDB, o se incorporan a los sistemas empresariales a través de ellos. APIs Para obtener resultados óptimos, las organizaciones deben implementar estrategias de procesamiento por lotes, una gestión sólida de los errores y registros de auditoría. Comience con un tipo de documento específico antes de ampliar el alcance.

Esta automatización reduce significativamente la intervención manual, el tiempo de procesamiento y los errores humanos. También ayuda al personal a centrarse en las actividades que requieren juicio y experiencia.

Para obtener más información sobre los flujos de trabajo de procesamiento de documentos, consulte Extraer automáticamente contenido de archivos PDF con Amazon Textract.

Generación y resumen de contenido

Los modelos de IA generativa se destacan a la hora de generar y resumir contenido. Esto los convierte en herramientas valiosas para diversas aplicaciones empresariales. Puede utilizar las capacidades de procesamiento del lenguaje natural de los modelos de lenguaje de gran tamaño para crear o condensar información basada en texto.

Los casos de uso más comunes para la generación y el resumen de contenido incluyen los siguientes:

La implementación AWS normalmente implica el uso de Amazon Bedrock para las tareas de generación y resumen de texto. Amazon Comprehend se puede utilizar para el reconocimiento de entidades y el análisis de opiniones, lo que mejora el contexto y la calidad del contenido generado.

Las mejores prácticas para las aplicaciones de generación y resumen de contenido incluyen la implementación de human-in-the-loop procesos de revisión y control de calidad del contenido, el uso de modelos ajustados para la generación de contenido para dominios específicos y la implementación de filtros de contenido para garantizar la coherencia de la marca y el cumplimiento de las pautas.

Por ejemplo, puede utilizar la IA generativa para analizar los datos clínicos de los pacientes y generar resúmenes y notas clínicas. Para obtener más información, consulte Creación de una aplicación de inteligencia médica con datos aumentados de pacientes.

Generación y análisis de código

Los modelos de IA generativa tienen capacidades notables para comprender y generar código en varios lenguajes de programación. Sus desarrolladores pueden usar estas capacidades para ayudar a escribir, refactorizar y analizar el código.

Los casos de uso más comunes incluyen los siguientes:

AWS ofrece varios servicios para ayudar a respaldar este patrón. Amazon Q Developer proporciona generación de código asistida por IA, lo que ayuda a los desarrolladores a escribir código más rápido y con menos errores. Amazon CodeGuru ofrece revisiones de código inteligentes y recomendaciones de rendimiento. Puede integrar estos servicios AWS Lambda para ejecutar y probar código sin servidor.

Las mejores prácticas para las aplicaciones de generación y análisis de código incluyen la integración de herramientas de codificación asistidas por IA en los entornos de desarrollo existentes. Considere la posibilidad de implementar procesos estrictos de revisión del código para asegurarse de que el código generado cumpla con los estándares de calidad. Utilice la IA para los borradores iniciales del código, pero confíe en la experiencia humana para tomar las decisiones finales de implementación.

Para obtener más información sobre la creación de asistentes de codificación, consulte Utilizar Amazon Q Developer como asistente de codificación para aumentar la productividad.

Aplicaciones de IA multimodales

Las aplicaciones de IA multimodales combinan diferentes tipos de entradas y salidas de datos, como texto, imágenes, audio y vídeo. Este patrón utiliza la capacidad de los modelos avanzados de IA generativa para comprender y generar contenido a través de múltiples modalidades.

Los casos de uso más comunes de las aplicaciones de IA multimodales incluyen los siguientes:

Sí AWS, puede usar Amazon Bedrock para modelos de cimentación multimodales. Los servicios adicionales incluyen Amazon Rekognition para el análisis de imágenes y vídeos, Amazon Transcribe para la conversión y Amazon Polly speech-to-text para la conversión. text-to-speech Estos servicios pueden mejorar las capacidades multimodales de la aplicación.

Las mejores prácticas para las aplicaciones multimodales de IA incluyen garantizar conjuntos de datos diversos y de alta calidad para el entrenamiento y ajustar los modelos multimodales. Además, implemente un sistema sólido de gestión de errores para las diferentes modalidades de entrada y considere detenidamente las implicaciones éticas y los posibles sesgos en los sistemas de IA multimodales.

Para obtener más información sobre la creación de aplicaciones multimodales, consulte Documentar el conocimiento institucional a partir de entradas de voz mediante Amazon Bedrock y Amazon Transcribe.

Recomendaciones de implementación

Para implementar de manera efectiva patrones de aplicaciones repetibles para la IA generativa en toda su organización, tenga en cuenta las siguientes recomendaciones: