La IA para la cadena de suministro de Articul8 alcanza una precisión del 92 %, superando a los modelos convencionales.

A medida que las empresas se apresuran a integrar la IA en sus operaciones, muchas están descubriendo que los modelos de uso general suelen quedarse cortos a la hora de abordar tareas industriales especializadas que requieren un profundo conocimiento del sector y un razonamiento secuencial.

Aunque técnicas como el ajuste fino y la generación aumentada por recuperación (RAG) ofrecen algunas mejoras, a menudo resultan insuficientes para escenarios complejos como la gestión de la cadena de suministro. Este es precisamente el reto que la startup Articul8 pretende abordar. La empresa ha presentado recientemente A8-SupplyChain, un conjunto de modelos de IA específicos para el sector, diseñados para las cadenas de suministro de fabricación. Estos modelos están respaldados por ModelMesh de Articul8, una capa de orquestación dinámica impulsada por IA que toma decisiones en tiempo real sobre qué modelos de IA desplegar para tareas específicas.

Articul8 afirma que sus modelos alcanzan una precisión del 92 % en los flujos de trabajo industriales, superando a los modelos de IA de uso general en tareas complejas de razonamiento secuencial.

Articul8, que en un principio era un equipo interno de Intel, se convirtió en una empresa independiente en 2024. La tecnología evolucionó a partir del desarrollo por parte de Intel de modelos de IA multimodales para clientes como Boston Consulting Group, incluso antes del lanzamiento de ChatGPT.

La filosofía fundamental de la empresa contrasta con las estrategias de IA empresariales predominantes.

«Operamos con la convicción fundamental de que ningún modelo por sí solo puede ofrecer resultados a nivel empresarial; realmente se necesita una combinación de modelos», compartió en exclusiva con VentureBeat Arun Subramaniyan, director ejecutivo y fundador de Articul8. «Los modelos específicos de cada dominio son esenciales para abordar aplicaciones complejas en sectores regulados como el aeroespacial, la defensa, la fabricación, los semiconductores y la cadena de suministro».

El reto de la IA en la cadena de suministro: cómo la secuencia y el contexto dictan los resultados

Las cadenas de suministro industriales y de fabricación plantean retos de IA específicos que los modelos de uso general a menudo no logran abordar. Estos entornos implican procesos complejos de varios pasos en los que el orden de las operaciones, la lógica de ramificación y las interdependencias son fundamentales para el éxito.

«En la gestión de la cadena de suministro, el principio fundamental es que todo consiste en pasos interconectados», explicó Subramaniyan. «Estos pasos están interrelacionados, a veces vinculados secuencialmente, y en ocasiones implican bucles recursivos».

Por ejemplo, el montaje de un motor a reacción suele requerir la consulta de múltiples manuales, cada uno de los cuales contiene cientos o incluso miles de pasos que deben ejecutarse en una secuencia precisa. Estos documentos representan más que información estática: encarnan datos de series temporales que describen procesos que exigen un cumplimiento exacto. Subramaniyan señaló que los modelos generales de IA, incluso cuando se mejoran con métodos de recuperación, a menudo pasan por alto estas relaciones temporales.

Esta forma de razonamiento complejo, que consiste en rastrear hacia atrás los procedimientos para localizar las fuentes de error, plantea un reto fundamental que los modelos generales no están diseñados para afrontar.

ModelMesh: una capa de inteligencia dinámica más allá de la orquestación convencional

Un elemento central de la tecnología de Articul8 es ModelMesh, que trasciende los marcos de orquestación de modelos estándar para crear lo que la empresa denomina un «agente de agentes» para aplicaciones industriales.

«ModelMesh funciona como una capa inteligente que conecta, evalúa y decide continuamente a medida que los procesos se desarrollan paso a paso», explicó Subramaniyan. «Lo creamos desde cero porque las herramientas existentes no satisfacían nuestros requisitos, que implican tomar cientos, a veces miles, de decisiones en tiempo de ejecución».

A diferencia de marcos como LangChain o LlamaIndex, que ofrecen flujos de trabajo predefinidos, ModelMesh integra sistemas bayesianos con modelos de lenguaje especializados para evaluar dinámicamente la precisión de los resultados, determinar las acciones posteriores y mantener la coherencia en flujos de trabajo industriales complejos.

Esta arquitectura permite lo que Articul8 denomina IA agencial de grado industrial: sistemas capaces no solo de razonar sobre los procesos industriales, sino también de impulsarlos activamente.

Más allá de RAG: construir inteligencia industrial desde cero

Mientras que muchas soluciones de IA empresarial dependen de la generación aumentada por recuperación (RAG) para vincular modelos generales con datos corporativos, Articul8 adopta un enfoque fundamentalmente diferente para incorporar la experiencia en el dominio.

«Descomponemos los datos subyacentes en sus elementos constitutivos», detalló Subramaniyan. «Un PDF se descompone en texto, imágenes y tablas. El contenido de audio o vídeo se descompone de forma similar, y cada elemento se describe utilizando una combinación de modelos especializados».

La empresa utiliza Llama 3.2 como base, seleccionada principalmente por su licencia permisiva, pero luego la transforma mediante un proceso avanzado de varias etapas. Esta metodología por capas permite a sus modelos desarrollar una comprensión mucho más profunda de los procesos industriales que la simple recuperación de fragmentos de datos.

Los modelos de SupplyChain se someten a múltiples etapas de refinamiento diseñadas específicamente para contextos industriales. El ajuste supervisado se encarga de tareas bien definidas, mientras que los bucles de retroalimentación en los que participan expertos en la materia evalúan y corrigen las respuestas para escenarios más complejos.

Aplicaciones empresariales de Articul8

Aunque los nuevos modelos se encuentran en una fase inicial, la empresa ya cuenta con varios clientes y socios, entre los que se incluyen iBase-t, Itochu Techno-Solutions Corporation, Accenture e Intel.

Al igual que muchas organizaciones, Intel comenzó su andadura en la IA generativa evaluando modelos de uso general para su posible aplicación en operaciones de diseño y fabricación.

«Aunque estos modelos destacan en tareas abiertas, rápidamente nos dimos cuenta de sus limitaciones en nuestro entorno de semiconductores altamente especializado», explicó Srinivas Lingam, vicepresidente corporativo y director general del Grupo de Redes, Edge e IA de Intel, a VentureBeat. «Tenían dificultades con la terminología específica de los semiconductores, la comprensión contextual de los registros de los equipos y el razonamiento en situaciones complejas de tiempo de inactividad con múltiples variables».

Intel está implementando la plataforma de Articul8 para desarrollar lo que Lingam denomina un asistente para incidentes de fabricación, un sistema inteligente basado en el lenguaje natural que ayuda a los ingenieros y técnicos a diagnosticar y resolver el tiempo de inactividad de los equipos en las plantas de fabricación de Intel. La plataforma, que utiliza modelos específicos del dominio, procesa datos de fabricación tanto históricos como en tiempo real, incluidos registros estructurados, artículos wiki no estructurados y bases de conocimientos internas. Ayuda a los equipos de Intel en el análisis de las causas raíz (RCA), recomienda medidas correctivas e incluso automatiza partes de la generación de órdenes de trabajo.

Implicaciones para la estrategia de IA empresarial

La metodología de Articul8 cuestiona la suposición de que los modelos de uso general con RAG pueden satisfacer todas las necesidades de IA empresarial en contextos industriales y de fabricación. La disparidad de rendimiento entre los modelos especializados y los generales sugiere que los líderes técnicos deberían considerar soluciones específicas para cada dominio en aplicaciones críticas en las que la precisión es innegociable.

A medida que la IA pasa de la experimentación a la producción en entornos industriales, este enfoque especializado puede ofrecer un retorno de la inversión más rápido para casos de uso de alto valor, mientras que los modelos generales siguen satisfaciendo requisitos más amplios y menos especializados.