.svg)
1. ¿Cómo empezaste a crear integraciones de IA?
«Poco después del lanzamiento de ChatGPT, empecé a experimentar con la integración de la IA mediante la plataforma de integración Alumio (iPaaS). Los resultados con los primeros modelos GPT no fueron muy buenos, pero al ver el potencial futuro, inicialmente la usé para respaldar mi proceso de creación de flujos de trabajo en Alumio.
Mi primer proyecto para crear una integración de IA surgió cuando aconsejaba a un cliente que no utilizara una herramienta de traducción para su sitio web de comercio electrónico, ya que era demasiado técnica y problemática a largo plazo. En vez de eso, propuse una alternativa basada en la inteligencia artificial: la iPaaS de Alumio, que ya utilizábamos para ayudarlo a integrar Akeneo, su sistema PIM (gestión de la información de productos).
Tras explorar varias soluciones de IA, acabé en la plataforma Vertex AI de Google y elegí sus modelos Gemini para el proyecto de integración. Traducir los productos del inglés o el holandés a otros idiomas con Gemini fue fácil y rápido. El uso del iPaaS de Alumio para integrar la IA con el sistema PIM de Akeneo del cliente también fue relativamente sencillo y directo.
El flujo de integración que construimos dentro de Alumio implica:
a) Recuperar los datos del producto (en inglés u holandés) del PIM de Akeneo en Alumio.
b) Mapear los datos de Alumio para enviarlos a la solución Gemini AI.
c) Enviar los atributos de los productos que deben traducirse al modelo Gemini AI a través de Alumio.
e) Recibir las traducciones de Gemini y guardarlas en el ámbito específico de ese idioma.
En aproximadamente 16 horas, tradujimos 12 000 productos con esta integración de IA. Le ahorramos al cliente entre 500 y 600€ en cuotas mensuales que le habría costado la otra aplicación de traducción. El retorno de la inversión se logró en solo tres meses».
2. ¿Cómo ayuda una iPaaS a las integraciones de la IA?
«Cuando se utiliza una iPaaS como Alumio, añadir la IA al flujo de integración es relativamente sencillo y, de hecho, se alinea bien con la forma en que ya funciona la iPaaS. Por lo general, el iPaaS extrae datos de un sistema, los transforma en un formato estructurado y los envía a otro sistema. Cuando se introduce la IA, el proceso es prácticamente idéntico: se obtienen los datos, se estructuran y se mapean esos datos de la manera que la IA espera, se envían al modelo o caja negra de la IA, se recibe una respuesta y, a continuación, se procesa o distribuye esa respuesta en consecuencia.
Hay dos maneras en las que la IA se puede utilizar de forma eficaz en combinación con una iPaaS: la primera es ahora más difícil e implica el uso de la IA para mejorar el desarrollo de la integración en sí misma dentro de la iPaaS, y la segunda implica la integración de la IA para mejorar las capacidades del producto.
- Mejorar el desarrollo de la integración con la IA: En lo que respecta al primer caso de uso, alimento la herramienta de IA con mis estrategias y plantillas para crear integraciones con Alumio. En respuesta, la IA ayuda a generar una implementación básica de estas estrategias, en la que no construye el mapeo completo ni aplica la lógica empresarial, sino que me proporciona la configuración básica. Por ejemplo, me proporcionará la configuración entrante para obtener datos de Akeneo e incluirá la lógica para almacenar las marcas de tiempo. De esta forma, cada ejecución recupera solo datos nuevos o actualizados. En otras palabras, ayuda a generar rápidamente un esqueleto para Routes, lo que puede acelerar las primeras etapas de la configuración de la integración.
- Integración de la IA con otras herramientas o aplicaciones: Desde el punto de vista del producto, la integración de la IA a través de Alumio iPaaS puede ayudar a automatizar tareas complejas, como la traducción de datos de productos (como se analizó en el ejemplo anterior). La IA es particularmente eficaz a la hora de estructurar datos no estructurados. Por ejemplo, una prueba de concepto que estamos realizando actualmente consiste en automatizar el procesamiento de las órdenes de compra recibidas en formato PDF por correo electrónico. El cliente quiere importar automáticamente estas órdenes de compra a su ERP. Si bien algunos de sus proveedores envían datos EDI estructurados que se integran fácilmente con su ERP, muchos simplemente envían archivos PDF por correo electrónico después de un pedido verbal. Las herramientas de OCR tradicionales que se pueden usar para leer archivos PDF requieren una plantilla única para cada proveedor, que se interrumpe constantemente con los cambios de diseño. Para solucionar este problema, hemos creado un sistema en el que los proveedores envían los PDF por correo electrónico a una bandeja de entrada específica. A continuación, creamos una integración para la iPaaS de Alumio para recuperar los pedidos en PDF de esta bandeja de entrada y enviarlos a la herramienta de inteligencia artificial de Gemini, además de enriquecer la solicitud con datos contextuales del ERP (por ejemplo, el catálogo completo de proveedores). Gemini hace una referencia cruzada de estos datos del ERP y, a continuación, extrae datos específicos del PDF, como los nombres de los proveedores o los detalles de los pedidos, lo que nos permite crear órdenes de compra estructuradas de forma automática.
En general, aunque Alumio ya acelera la forma en que creamos integraciones y automatizamos los procesos para nuestros clientes, la incorporación de la IA definitivamente ayuda a aumentar la eficiencia en ambos frentes».
3. Al crear integraciones de IA, ¿cuál es el margen de error?
«La mayoría de los errores generativos de la IA dependen de la cantidad de información contextual que reciba la IA. Por ejemplo, en el ejemplo anterior, en el que utilizamos Alumio para crear una integración que permitiera enviar los archivos PDF de los proveedores a Gemini para su enriquecimiento, también modificamos el intercambio de datos para incluir datos contextuales del ERP (catálogo completo de proveedores). Esto permite a la IA establecer asociaciones inteligentes a la hora de convertir los PDF de los proveedores en órdenes de compra. Por ejemplo, si en un PDF aparece «BR Green» como proveedor, la IA puede entender que probablemente en el ERP se refiera a «Brothers Green». Por lo tanto, agregar más información contextual reduce definitivamente la posibilidad de error.
Para reducir el margen de error con la IA generativa, solemos combinar nuestras integraciones de IA con una interfaz de usuario, que muestra el contenido que genera la IA y permite a los usuarios revisarlo antes de que se publique. También configuramos Alumio para realizar comprobaciones en segundo plano, por ejemplo, para marcar las discrepancias si el precio del pedido no coincide con lo que espera el ERP. El nivel de supervisión depende del caso de uso, y algunas empresas están de acuerdo en enviar los datos de los productos traducidos mediante IA directamente a su tienda web sin revisarlos. Otras insisten en la aprobación manual antes de publicarlos. Sin embargo, para los procesos críticos, como las órdenes de compra, en los que los errores pueden tener un impacto financiero, es esencial validar lo que genera la IA».
4. ¿Qué son? ¿cuáles son los mayores desafíos a la hora de integrar la IA?
«El mayor desafío en este momento es que la mayoría de los modelos de IA todavía se basan fundamentalmente en modelos de lenguaje grande (LLM). Incluso desde el punto de vista de las API, están diseñados principalmente para interacciones similares a las de los chatbots, que no es la forma en que solemos utilizarlos en las integraciones. Existen funciones como las llamadas a funciones o las salidas estructuradas (que, por ejemplo, admite Gemini de Google). Sin embargo, con frecuencia seguimos recibiendo respuestas en texto plano que contienen un objeto JSON, en lugar de recibir directamente el JSON estructurado adecuado. Esto refleja cómo estos modelos siguen arraigados en el diseño conversacional, incluso cuando se utilizan para procesos de backend.
Esto nos ha causado una buena cantidad de problemas, especialmente cuando se trata de deserializar las respuestas. Los modelos pueden entender el código bastante bien, pero aun así lo generan como texto sin procesar. Esto significa que pueden olvidar una coma, omitir un corchete o cometer otros pequeños errores de sintaxis que pueden interrumpir un proceso. La gestión de estas incoherencias requiere algo de trabajo desde el principio, pero los modelos están mejorando rápidamente y ya son mucho más fiables que hace un año».
.svg)
.svg)
.svg)
.svg)
.svg)
