Hay una parte importante de la revolución en la industria de la inteligencia artificial. No tiene la espectacularidad de un chatbot que escribe un poema en segundos ni la apariencia futurista de un robot que aprende a caminar. Ocurre debajo de todo eso, en las entrañas del software, en los chips. Estos milimétricos pedazos de acero guardan una biblioteca de programación diseñado con una arquitectura que le permite procesar millones de operaciones
Una mujer norteamericana dirige Kari Ann Briski dirige parte de este territorio. Vicepresidenta de AI Models, Software and Services de NVIDIA, la compañía que se ha convertido en una de las grandes protagonistas de la fiebre de la inteligencia artificial, Briski lleva más de dos décadas trabajando en software y 15 años en puestos de liderazgo tecnológico. Antes de incorporarse a NVIDIA en 2016 pasó por IBM. Estudió Ingeniería Informática en la Universidad de Pittsburgh y ha desarrollado buena parte de su carrera en un mundo en el que las mujeres siguen siendo minoría.
Su trabajo imagina la inteligencia artificial del futuro y hace que funcione. “Todos estos agentes están generando subagentes que hacen todo tipo de operaciones multiagente y se generan cantidades enormes de tokens”, explica. Los tokens son las unidades básicas que los modelos procesan para comprender y producir información. Suena abstracto hasta que Briski lo convierte en una imagen mucho más concreta. ”Detrás de una pregunta aparentemente sencilla puede haber varios modelos trabajando simultáneamente”
Briski dirige los equipos encargados de que la tecnología de NVIDIA sea capaz de manejar su enorme cantidad de volumen de trabajo. La compañía es conocida sobre todo por sus GPU, los procesadores que se han convertido en una pieza esencial para entrenar y ejecutar modelos de inteligencia artificial. Pero Briski insiste en que la historia no termina en el chip. “Es todo, desde las optimizaciones que hacemos a nivel del chip hasta la arquitectura de referencia para los agentes”, señala.
Ese “todo” es precisamente lo que explica parte del poder de NVIDIA. Su plataforma CUDA, desarrollada para aprovechar la capacidad de procesamiento paralelo de sus GPU, se convirtió en una herramienta fundamental para los desarrolladores. Con el tiempo, la compañía construyó alrededor de ella una colección de bibliotecas y herramientas especializadas para diferentes campos, desde la imagen médica hasta el reconocimiento de voz o el análisis de datos. “CUDA es la base de todas nuestras GPU”, dice Briski. “Los desarrolladores ahora solo quieren acceder a un punto final de una API realmente sencilla. Tiene que ser muy simple, porque es ahí donde estamos encontrando a los desarrolladores hoy”. Según Kari, “cuanto más sofisticada se vuelve la tecnología, más sencilla parece para quien la utiliza”
Briski lleva años trabajando precisamente en esa simplificación. Cuando llegó a NVIDIA en 2016, recuerda, la compañía estaba trabajando con Tensor 1.0 y la inferencia, el proceso mediante el cual un modelo ya entrenado genera respuestas.
Desde entonces ha visto cambiar radicalmente el panorama. Primero llegaron las aplicaciones de visión por ordenador, después los sistemas de recomendación, el reconocimiento y la síntesis de voz y, finalmente, los grandes modelos de lenguaje.
“Ha sido una plataforma muy orientada a los desarrolladores”, explica. La explosión de Chat GPT modificó las expectativas de las empresas. De repente, la inteligencia artificial dejó de ser una promesa tecnológica para convertirse en una herramienta que los departamentos empresariales querían utilizar con sus propios datos. “El día que las empresas vieron OpenAI y ChatGPT entendieron la necesidad de tener estos grandes modelos de lenguaje junto a sus datos corporativos o dentro de sus aplicaciones”, sostiene.
Ahí entran los NIM, los microservicios de NVIDIA diseñados para facilitar el despliegue de modelos de inteligencia artificial. La idea es reducir la complejidad de poner un modelo en funcionamiento. “Poder pasar de cero a tener un punto final de un gran modelo de lenguaje en menos de cinco minutos”, resume Briski. Muchas compañías trabajan con una combinación de servicios en la nube y centros de datos propios. Para ellas, explica Briski, ejecutar los modelos cerca de sus datos puede ser tan importante como la potencia de cálculo. “Tenemos muchos clientes que utilizan una nube híbrida”, dice. “Pueden ejecutar el microservicio cerca de sus datos y hacerlo donde quieran”.
En una industria acostumbrada a hablar de potencia y velocidad, Briski introduce la palabra coste. Para las empresas pequeñas, NVIDIA cuenta con su programa Inception, destinado a apoyar a startups. La compañía también trabaja en optimizaciones que permiten obtener más rendimiento de la misma infraestructura.
“Si una empresa compra una licencia y después cambia a una GPU más potente, debería poder procesar más información sin multiplicar proporcionalmente sus costes. Estamos incorporando constantemente esas optimizaciones, el coste total de propiedad y el rendimiento al software”, explica.
Su manera de abordar la inteligencia artificial también revela una mentalidad muy alejada del entusiasmo ciego por la tecnología. Briski sabe que una máquina puede resolver problemas complejos, pero también que no siempre hace falta utilizar el sistema más grande y sofisticado. En ocasiones, un modelo pequeño puede hacer mejor un trabajo concreto. “Puedes tener un SLM, un modelo pequeño de lenguaje, que sea mejor para determinadas tareas y después utilizar un modelo más grande cuando necesites mayor precisión”, señala.
Briski no se siente nostálgica de los métodos tradicionales de programación. Cuando se le plantea si en determinados casos sería más sensato utilizar reglas predeterminadas en lugar de inteligencia artificial, su respuesta es contundente “Estamos mucho más allá de la programación manual”. Las antiguas estructuras de tipo “si ocurre esto, haz aquello” pueden funcionar cuando existen unas pocas reglas. “Gestionar miles de reglas es realmente, realmente imposible”, afirma.
Su alternativa son los llamados guardrails, sistemas que establecen límites para los modelos sin tener que enumerar todas las posibilidades. “Los guardrails son una especie de sustituto del gestor de diálogos clásico”, explica.
En 2023, mientras NVIDIA exploraba las posibilidades de la inteligencia artificial generativa, Briski identificó alrededor de 150 equipos que estaban experimentando con sus propias herramientas. “En lugar de dejar que cada uno avanzará por separado, reunifique las experiencias para que fueran mil flores floreciendo”.
De aquel experimento surgió Chip NeMo, un proyecto en el que los equipos de diseño de chips de NVIDIA entrenaron un modelo con datos propios y lenguajes especializados utilizados en el diseño de circuitos. El objetivo era ayudar a ingenieros que se incorporan a la compañía y todavía no dominaban aquellos lenguajes.
Su carrera se ha construido en un sector dominado históricamente por ingenieros y ejecutivos masculinos, pero Briski no parece interesada en convertir esa condición en el centro de su discurso. Su autoridad procede de haber estado en el lugar adecuado durante la transformación de una industria que pasó de hablar de computación acelerada a discutir agentes capaces de coordinar múltiples modelos. “Desde que empecé en NVIDIA he trabajado en bibliotecas matemáticas aceleradas”, recuerda.
Briski comenzó cuando programar para aprovechar el paralelismo de una GPU era una tarea reservada a especialistas. Hoy trabaja para que una empresa pueda desplegar un modelo de inteligencia artificial casi con la misma facilidad con la que instala cualquier otro servicio.
Y mientras Silicon Valley continúa preguntándose hasta dónde llegará la inteligencia artificial, Briski parece más interesada en cómo conseguir que todo lo que ya hemos construido sea capaz de funcionar de forma coherente.