Introducción a la tecnología de inteligencia artificial

La inteligencia artificial es un conjunto de tecnologías que permiten a las máquinas percibir, aprender, razonar, generar contenido y realizar predicciones. En este artículo se proporciona información general sobre los conceptos de inteligencia artificial, las plataformas de desarrollo y los patrones de arquitectura para ayudarle a diseñar cargas de trabajo de inteligencia artificial en Azure. Incorpore ia a las aplicaciones para realizar funciones o tomar decisiones que la lógica tradicional o el procesamiento no pueden controlar de forma eficaz. Como arquitecto que diseña soluciones, debe comprender el panorama de inteligencia artificial y aprendizaje automático y cómo integrar soluciones de Azure en el diseño de la carga de trabajo.

Integrar la IA en cargas de trabajo de Azure

Azure Centro de arquitectura proporciona arquitecturas de ejemplo, guías de arquitectura, líneas base arquitectónicas e ideas que se aplican a su escenario. Las cargas de trabajo que implementan casos de uso de IA generativa o discriminativa deben seguir la guía del Azure Well-Architected Framework para cargas de trabajo de IA en Azure. Esta guía incluye principios y guías de diseño que influyen en las cargas de trabajo de inteligencia artificial y aprendizaje automático en los pilares de la arquitectura confiabilidad, seguridad, optimización de costos, excelencia operativa y eficiencia del rendimiento.

Los siguientes tipos de carga de trabajo están fuera del ámbito de las instrucciones de Azure Well-Architected Framework:

  • Cargas de trabajo de inteligencia artificial sin código y poco código, como soluciones creadas con Microsoft Copilot Studio. Para obtener instrucciones de arquitectura sobre estas cargas de trabajo, consulte Microsoft Copilot Studio referencia a arquitecturas e ideas de soluciones.

  • Cargas de trabajo de informática de alto rendimiento (HPC). Para obtener instrucciones de arquitectura sobre HPC, consulte HPC en Azure.

  • Cargas de trabajo que no implementan casos de uso de inteligencia artificial generativa o discriminativa, como el análisis tradicional o la automatización basada en reglas.

Conceptos de inteligencia artificial

Los conceptos de inteligencia artificial abarcan una amplia gama de tecnologías y metodologías que usan las máquinas para realizar tareas que normalmente requieren inteligencia humana. En las secciones siguientes se proporciona información general sobre los conceptos clave de inteligencia artificial.

Algoritmos

Los algoritmos o algoritmos de aprendizaje automático son fragmentos de código que le ayudan a explorar, analizar y encontrar significado en conjuntos de datos complejos. Cada algoritmo es un conjunto finito de instrucciones paso a paso inequívocas que una máquina puede seguir para lograr un objetivo específico. El objetivo de un modelo de aprendizaje automático es establecer o detectar patrones que los humanos pueden usar para realizar predicciones o clasificar información. Un algoritmo podría describir cómo comprobar si una mascota es un gato, un perro, un pez, un pájaro o ungartija. Un algoritmo más complicado podría describir cómo identificar un idioma escrito o hablado, analizar sus palabras, traducirlas en otro idioma y, a continuación, comprobar la traducción para obtener precisión.

Elija una familia de algoritmos que mejor se adapte a su tarea. Evalúe los distintos algoritmos de la familia para encontrar el ajuste adecuado para la carga de trabajo. Para obtener más información, consulte ¿Qué son los algoritmos de aprendizaje automático? en el diccionario de informática en la nube de Microsoft.

Aprendizaje automático

El aprendizaje automático es una técnica de inteligencia artificial que usa algoritmos para crear modelos predictivos. Estos algoritmos analizan campos de datos y aprenden de los patrones de los datos para generar modelos. A continuación, los modelos pueden tomar predicciones o decisiones informadas basadas en nuevos datos.

Los modelos predictivos se validan con datos conocidos, medidos por métricas de rendimiento para escenarios empresariales específicos y, a continuación, se ajustan según sea necesario. Este proceso de aprendizaje y validación se denomina entrenamiento. Mediante el reentrenamiento periódico, los modelos de aprendizaje automático mejoran con el tiempo.

En el diseño de la carga de trabajo, puede usar el aprendizaje automático si el escenario incluye observaciones anteriores que predicen situaciones futuras de forma confiable. Estas observaciones pueden ser verdades universales, como computer vision que distingue un tipo de animal de otro. O bien, estas observaciones pueden ser específicas de su situación, como Computer Vision que detecta un posible error de ensamblado en las líneas de montaje en función de los datos anteriores de reclamación de garantía.

Para obtener más información, consulte ¿Qué es el aprendizaje automático? en el diccionario de informática en la nube de Microsoft.

Aprendizaje profundo

El aprendizaje profundo es un tipo de aprendizaje automático que puede aprender a través de su propio procesamiento de datos. Al igual que el aprendizaje automático, también usa algoritmos para analizar datos. Pero analiza los datos mediante redes neuronales artificiales que tienen muchas entradas, salidas y capas de procesamiento. Cada capa puede procesar los datos de una manera diferente. La salida de una capa se convierte en la entrada para el siguiente. El aprendizaje profundo usa este proceso para crear modelos más complejos que el aprendizaje automático tradicional.

El aprendizaje profundo requiere una gran inversión para generar modelos altamente personalizados o exploratorios. Puede considerar otras soluciones de este artículo antes de agregar aprendizaje profundo a la carga de trabajo.

Para obtener más información, consulte ¿Qué es el aprendizaje profundo? en el diccionario de informática en la nube de Microsoft.

IA generativa

La inteligencia artificial generativa entrena modelos para generar contenido original basado en muchas formas de contenido, como lenguaje natural, visión artificial, audio o entrada de imagen. La inteligencia artificial generativa le permite describir una salida deseada en el lenguaje cotidiano y el modelo responde mediante la creación de texto, imagen y código adecuados. Entre los ejemplos de aplicaciones de IA generativas se incluyen Microsoft 365 Copilot y Microsoft Foundry.

  • Microsoft 365 Copilot es principalmente una interfaz de usuario que le ayuda a escribir código, documentos y otro contenido basado en texto. Se basa en modelos populares de OpenAI y Anthropic y se integra en una amplia gama de aplicaciones y experiencias de usuario de Microsoft.

  • Microsoft Foundry es una plataforma de desarrollo como servicio (PaaS) que proporciona acceso al hospedaje de agentes y a un catálogo de modelos de lenguaje de OpenAI, Anthropic, Microsoft, xAI y otros proveedores. Para obtener la disponibilidad del modelo actual, consulte el catálogo de modelos de Microsoft Foundry.

Modelos de lenguaje

Los modelos de lenguaje son un subconjunto de inteligencia artificial generativa que se centran en tareas de procesamiento de lenguaje natural, como la generación de texto y el análisis de sentimiento. Estos modelos representan lenguaje natural basado en la probabilidad de palabras o secuencias de palabras que se producen en un contexto determinado.

Los investigadores utilizan modelos de lenguaje convencionales en entornos supervisados con fines de investigación. Estos modelos se entrenan en conjuntos de datos de texto bien etiquetados para tareas específicas. Los modelos de lenguaje previamente entrenados proporcionan una manera fácil de empezar a usar la inteligencia artificial. Se usan más ampliamente en los últimos años. Estos modelos se entrenan en colecciones de texto a gran escala desde Internet a través de redes neuronales de aprendizaje profundo. Ajustarlos en conjuntos de datos más pequeños para tareas específicas.

El número de parámetros o pesos determina el tamaño de un modelo de lenguaje. Los parámetros influyen en cómo el modelo procesa los datos de entrada y genera una salida. Durante el entrenamiento, el modelo ajusta los pesos para minimizar la diferencia entre sus predicciones y los datos reales. Este proceso es cómo el modelo aprende parámetros. Cuantos más parámetros tenga un modelo, más complejo y expresivo es. Pero también es más computacionalmente costoso de entrenar y de usar.

Los modelos de lenguaje pequeño suelen tener menos de 10 mil millones de parámetros y los modelos de lenguaje grande tienen más de 10 mil millones de parámetros. Por ejemplo, la familia de modelos phi de Microsoft incluye modelos pequeños diseñados para la eficiencia y la rentabilidad, y la familia continúa expandiéndose con nuevas variantes para el razonamiento, la multiplataforma y otras tareas. Para conocer los nombres, tamaños y capacidades de los modelos actuales, consulte el catálogo de modelos de Foundry.

Copilotos

Microsoft 365 Copilot se integra con una amplia gama de aplicaciones de Microsoft y experiencias de usuario. Se basa en una arquitectura abierta en la que los desarrolladores que no Microsoft pueden crear sus propios complementos para ampliar o personalizar la experiencia del usuario mediante Microsoft 365 Copilot. Los desarrolladores asociados también pueden crear sus propios agentes mediante la misma arquitectura abierta.

Para obtener más información, consulte los siguientes recursos:

Generación aumentada de recuperación

La generación aumentada de recuperación (RAG) es un patrón de arquitectura que aumenta las funcionalidades de un modelo de lenguaje, como ChatGPT, que solo se entrena en datos públicos. Use este patrón para agregar un sistema de recuperación que proporcione datos de base pertinentes en el contexto con la solicitud del usuario. Un sistema de recuperación de información proporciona control sobre los datos de base que usa un modelo de lenguaje cuando formula una respuesta. La arquitectura RAG le ayuda a definir el ámbito de la inteligencia artificial generativa al contenido procedente de documentos vectorizados, imágenes y otros formatos de datos. RAG no se limita al almacenamiento de búsqueda vectorial. RAG admite cualquier tecnología de almacén de datos.

Para más información, consulte Diseño y desarrollo de una solución RAG y Elegir un servicio de Azure para la búsqueda de vectores. Utilice las bases de conocimiento de Foundry IQ como una solución llave en mano de RAG para proporcionar los datos de base que necesitan los agentes de Microsoft Foundry.

Ingeniería de contexto

La ingeniería de contexto es la práctica de diseñar cómo seleccionar, definir el ámbito y el contexto de estructura, como documentos recuperados, historial de conversaciones, salidas de herramientas, instrucciones del sistema y datos empresariales, de modo que un modelo de inteligencia artificial pueda generar salidas confiables y relevantes. RAG aborda la fundamentación de la recuperación de datos, y la ingeniería del contexto es la disciplina arquitectónica más amplia que rige la entrada que recibe el modelo y el formato en que esta se presenta.

En las arquitecturas de inteligencia artificial modernas, especialmente las soluciones de IA basadas en agentes y generativas, el contexto es un elemento de diseño crítico. Los modelos tienen conocimientos integrados limitados y ningún conocimiento inherente de los datos o flujos de trabajo específicos de la empresa. Entre las arquitecturas eficaces se incluyen canalizaciones de recuperación, almacenes de memoria, integraciones de herramientas, barreras de protección y administración de mensajes para proporcionar el contexto adecuado en el momento adecuado. Sin un diseño de contexto deliberado, las arquitecturas son susceptibles a errores, respuestas obsoletas y exposición no intencionada de datos confidenciales.

Arquitectura basada en agente

Un agente de IA es un sistema que usa un modelo de lenguaje para decidir qué acciones realizar, qué herramientas llamar y cómo secuenciar pasos para completar una tarea. A diferencia de una integración estándar de IA en la que el código de la aplicación controla el flujo de trabajo, un agente razona sobre los objetivos y determina de forma autónoma su ruta de ejecución. Esta autonomía hace que los agentes sean adecuados para tareas complejas y multipaso que requieren toma de decisiones dinámicas.

La arquitectura multiagente le permite dividir problemas complejos en agentes especializados que se coordinan para generar una solución. Para coordinar varios agentes en escenarios complejos de inteligencia artificial, consulte Patrones de orquestación de agentes de IA.

Azure proporciona dos herramientas complementarias para crear arquitecturas basadas en agentes:

  • Microsoft Agent Framework es un SDK de código primero para compilar agentes y flujos de trabajo de varios agentes. Proporciona el modelo de programación para definir el comportamiento del agente, la integración de herramientas y la lógica de orquestación.

  • Foundry Agent Service hospeda agentes que defina. Estos agentes se conectan a un modelo básico en el catálogo de modelos de IA y, opcionalmente, sus propios almacenes de conocimiento personalizados o API. Puede definir estos agentes mediante declaración o Microsoft Foundry puede incluirlos en contenedores y hospedarlos.

Herramientas de fundición

Las herramientas de Foundry son modelos y API de inteligencia artificial precompilados y personalizables que agregan funcionalidades inteligentes a las aplicaciones. Los casos de uso incluyen procesamiento de lenguaje natural, búsqueda, traducción, voz, visión y toma de decisiones. Use Foundry Tools para agregar inteligencia artificial a aplicaciones sin compilar y entrenar modelos personalizados.

Para obtener más información, consulte Elegir una tecnología de herramientas de fundición.

Modelos de lenguaje de IA

Azure proporciona acceso a los modelos de lenguaje a través de varios servicios y opciones de implementación. Para obtener una explicación fundamental de qué son los modelos de lenguaje y cómo funcionan, consulte Modelos de lenguaje. En esta sección se tratan los modelos disponibles en Azure y los factores arquitectónicos que influyen en la selección y el hospedaje del modelo.

  • Azure OpenAI proporciona acceso administrado a la API de los modelos de OpenAI, incluidas las familias o3, o4-mini, GPT-4.1, GPT-4o y GPT-4o mini. Estos modelos admiten la generación de contenido, el resumen, el razonamiento, la comprensión de imágenes, la búsqueda semántica y la traducción de lenguaje natural a código. Azure OpenAI administra el hospedaje, el escalado y el filtrado de contenido. Admite la integración de red virtual y la autenticación Microsoft Entra ID.

    Para obtener la disponibilidad del modelo actual por región, consulte Azure modelos de OpenAI.

  • Foundry Models proporciona un catálogo de más de 1900 modelos de Microsoft, OpenAI, DeepSeek, Meta, Hugging Face y otros proveedores. El catálogo incluye modelos de base, modelos de razonamiento, modelos de lenguaje pequeño, modelos bidireccionales y modelos específicos del dominio. Puede comparar, evaluar, ajustar e implementar modelos directamente desde el catálogo.

  • Los modelos phi son modelos de lenguaje pequeños que Microsoft ofrece. Los modelos de lenguaje pequeños requieren menos capacidad de cómputo que los modelos grandes y pueden ser más eficientes, interpretables y rentables para tareas específicas. Según el tamaño del modelo, aloje modelos de lenguaje pequeños dentro del mismo proceso o en los mismos recursos de cómputo que el consumidor, lo que reduce la latencia y simplifica la arquitectura.

Consideraciones sobre la selección de modelos

Al seleccionar un modelo de lenguaje para la carga de trabajo, tenga en cuenta los siguientes factores arquitectónicos:

  • Topología de hospedaje. Azure ofrece puntos de conexión de API administrados, implementaciones de modelos sin servidor, implementaciones de proceso administradas y autohospedaje basado en contenedores. Su elección afecta a la latencia, el costo, la residencia de datos y la responsabilidad operativa.

  • Tamaño del modelo frente al costo y la latencia. Los modelos más grandes suelen proporcionar funcionalidades más amplias, pero requieren más proceso y conllevan mayores costos. Los modelos más pequeños pueden ser más eficaces para las tareas centradas.

  • Privacidad de los datos. Evalúe si puede enviar los datos a una API hospedada o si los requisitos normativos o organizativos exigen la inferencia autohospedada.

  • Ajuste fino frente a ingeniería de prompts. Determine si la ingeniería de mensajes y RAG son suficientes para su caso de uso o si el ajuste de un modelo en los datos genera resultados significativamente mejores.

  • Precisión y sesgo. Valide las salidas del modelo en función de los requisitos del dominio. Considere el filtrado de contenido, la fundamentación en fuentes y las estrategias de evaluación para gestionar la calidad de las respuestas.

Herramientas y plataformas de desarrollo de IA

Las siguientes herramientas y plataformas de desarrollo de IA pueden ayudarle a crear, implementar y administrar modelos de aprendizaje automático e inteligencia artificial.

Azure Machine Learning

Azure Machine Learning es un servicio de aprendizaje automático para compilar e implementar modelos. Azure Machine Learning proporciona interfaces web y SDK para entrenar e implementar los modelos y canalizaciones de Machine Learning a escala. Use estas funcionalidades con marcos de Python de código abierto como PyTorch, TensorFlow y scikit-learn.

Para obtener más información, consulte los siguientes recursos:

Aprendizaje Automático Automatizado

El aprendizaje automático automatizado (AutoML) es el proceso de automatizar las tareas iterativas y lentas del desarrollo de modelos de aprendizaje automático. AutoML ayuda a los científicos de datos, analistas y desarrolladores a crear modelos de aprendizaje automático que tienen gran escala, eficiencia y productividad al tiempo que mantienen la calidad del modelo.

Para obtener más información, consulte los siguientes recursos:

MLflow

Azure Machine Learning áreas de trabajo son compatibles con MLflow, lo que significa que un área de trabajo de Azure Machine Learning funciona de la misma manera que un servidor MLflow. Esta compatibilidad proporciona las siguientes ventajas:

  • Azure Machine Learning no hospeda instancias de servidor de MLflow, pero puede usar las API de MLflow directamente.

  • Use un área de trabajo de Azure Machine Learning como servidor de seguimiento para cualquier código de MLflow, tanto si se ejecuta en Azure Machine Learning como si no. Debe configurar MLflow para que apunte al área de trabajo donde debe producirse el seguimiento.

  • Ejecute rutinas de entrenamiento que usan MLflow en Azure Machine Learning sin realizar ningún cambio.

Para más información, consulte MLflow y Azure Machine Learning y MLflow.

Herramientas de inteligencia artificial generativa

  • Microsoft Foundry proporciona una plataforma para ayudarle a experimentar, desarrollar e implementar aplicaciones y API de inteligencia artificial generativas de forma responsable. Use el portal de Foundry para buscar herramientas de Foundry, modelos de base, un área de juegos y recursos que le ayuden a ajustar, evaluar e implementar modelos de inteligencia artificial e agentes de IA.

    Foundry Agent Service hospeda agentes que defina. Estos agentes se conectan a un modelo básico en el catálogo de modelos de IA y, opcionalmente, sus propios almacenes de conocimiento personalizados o API. Defina estos agentes de forma declarativa o deje que Microsoft Foundry los contenedorice y los hospede.

  • Microsoft Copilot Studio extiende Microsoft 365 Copilot. Cree agentes personalizados para escenarios internos y externos. Use un lienzo de creación para diseñar, probar y publicar agentes. Cree conversaciones con IA generativa, ofrezca un mayor control sobre las respuestas de los agentes existentes y acelere la productividad mediante flujos de trabajo automatizados.

Herramientas de IA precompiladas

Las herramientas de Foundry son modelos y API de inteligencia artificial precompilados y personalizables que tienen como destino escenarios específicos, como voz, traducción, comprensión del lenguaje, inteligencia de documentos, visión y seguridad de contenido. Úselos cuando la carga de trabajo necesite una funcionalidad de inteligencia artificial bien definida y no sea necesario diseñar, entrenar ni hospedar un modelo usted mismo.

Para obtener una lista de los servicios disponibles organizados por funcionalidad, consulte Elección de una tecnología de servicios de INTELIGENCIA ARTIFICIAL.

Colaboradores

Microsoft mantiene este artículo. Los siguientes colaboradores escribieron este artículo.

Autor principal:

David González Díez | Ingeniero sénior de soluciones

Para ver los perfiles no públicos de LinkedIn, inicie sesión en LinkedIn.

Pasos siguientes

Para seguir aprendiendo sobre la inteligencia artificial en Azure, explore los siguientes recursos:

  • Last updated on