Lo que miles de millones de predicciones de IA le enseñaron a Expedia antes de la period de los agentes de IA

Existe una distinción importante entre la IA que simplemente funciona hoy y la IA que perdura a escala. Muchas empresas optimizan mucho el primero sin siquiera preguntarse si están construyendo el segundo.

La velocidad sin disciplina y dirección estratégica es un pasivo, no un activo. La parte más difícil de construir IA a escala no es lograr que un modelo funcione una vez. Se trata de crear sistemas que sigan funcionando, escale más allá de los equipos individuales y los casos de uso, y mejore constantemente con el tiempo.

Los sistemas de inteligencia synthetic actuales hacen más que solo predecir y optimizar. Conversan, razonan y actúan cada vez más. Un sistema autónomo que toma decisiones en nombre de un viajero crea un conjunto muy diferente de expectativas en torno a la confiabilidad, la gobernanza y la responsabilidad. A medida que la IA asume más de esas funciones, los principios detrás de cómo funcionan estos sistemas importan más que nunca.

Llevamos años aplicando la IA y el aprendizaje automático (ML) en todo el recorrido del viajero, desde la personalización, la clasificación y las recomendaciones hasta la prevención del fraude, la atención al cliente y, más recientemente, las experiencias de IA generativas y agentes. Esa profunda experiencia es lo que nos llevó a desarrollar un conjunto de principios de aprendizaje automático e inteligencia synthetic para guiar la forma en que construimos, implementamos y evolucionamos los sistemas de inteligencia synthetic en toda nuestra empresa.

El objetivo es easy: asegurarnos de que los sistemas que construimos creen valor comercial actual, escale y opere de manera segura. Estos principios definen cómo medimos, diseñamos, gobernamos y operamos nuestros sistemas.

De los principios a la práctica

Los principios de publicación son la parte fácil. El trabajo más duro e importante es convertirlos en mecanismos operativos: recomendaciones, requisitos, herramientas y procesos de lanzamiento que los equipos realmente utilizan.

Hemos comenzado a utilizar barreras de peaje de ‘liberación agente’: un conjunto de comprobaciones recomendadas y, en algunos casos, obligatorias antes de lanzar funciones de IA agente. Estos peajes traducen principios como propiedad clara, gobernanza basada en riesgos, evaluación, implementación segura y monitoreo en expectativas concretas para los equipos.

Algunas de estas recomendaciones y requisitos ya se están automatizando e integrando en el ciclo de vida de desarrollo de software program (SDLC). Con el tiempo, el objetivo es que estas expectativas se integren en la forma en que diseñamos, evaluamos, aprobamos, lanzamos y monitoreamos los sistemas de IA desde el principio.

Resultados: medir lo que realmente importa

La primera prueba para cualquier modelo es si mejora un resultado comercial y, en última instancia, la experiencia del viajero, no si solo mejora una métrica técnica.

1. Alinear modelos con métricas con impacto empresarial: Cada esfuerzo de ML debe vincularse directamente con un resultado comercial clave o una métrica de experiencia del viajero. Las optimizaciones técnicas son puntos medios útiles, no objetivos finales..

2. Optimice el retorno del costo: El valor que crea un modelo tiene que justificar lo que cuesta desarrollarlo, entrenarlo y monitorearlo, además de la complejidad operativa que agrega. Favorecer soluciones que generen un impacto duradero en relación con lo que cuesta ejecutar.

3. Justifique la complejidad frente a bases sólidas: La complejidad debe ganarse, no asumirse. Comience con una base sólida: un modelo basic existente, una heurística easy, una solución lista para usar. Busque modelos especializados o arquitecturas más complejas sólo cuando las opciones más simples realmente no puedan cumplir con el estándar.

4. Requerir evaluación tanto fuera de línea como en línea: Ningún modelo llega a una implementación amplia únicamente con la validación fuera de línea o salta directamente a las pruebas A/B. Cada modelo debe funcionar tanto en evaluaciones en línea como fuera de línea. Con el tiempo, nuestras evaluaciones fuera de línea deberían predecir de manera confiable lo que vemos en línea.

Diseño: construir sistemas que vayan más allá de los equipos que los construyen

Lograr que un modelo funcione es un desafío. Hacer que su valor se extienda más allá de un solo equipo o caso de uso es lo más difícil.

1. Construir sobre bases compartidas; especializarse sólo cuando esté justificado: Favorezca bases compartidas en toda la plataforma para capacidades centrales, representaciones de datos y bloques de construcción de modelos. La especialización debe basarse en esos cimientos, no en acumulaciones aisladas, de modo que cuando los cimientos mejoren, las ganancias fluyan por toda la organización.

2. Trate los datos como un producto de primera clase: La calidad de un modelo está limitada por la calidad de sus datos. Necesitamos mantener canales sólidos, un linaje claro, reproducibilidad y funciones reutilizables creadas con propiedad documentada, esquemas claros y acuerdos de nivel de servicio en los que otros equipos puedan confiar.

3. Priorizar la generalidad sobre la optimización native: Cuando dos enfoques funcionan de manera related, prefiera aquel cuyos aprendizajes, activos y patrones operativos puedan reutilizarse en todos los equipos, marcas y casos de uso. Debemos optimizar no sólo el desempeño native, sino también la rapidez con la que las mejoras pueden difundirse en toda la empresa y agravarse con el tiempo.

4. Minimizar y desactivar reglas comerciales manuales: Las reglas manuales a veces son necesarias para políticas, seguridad o cumplimiento, pero deben ser explícitas y revisarse periódicamente, nunca parches silenciosos para modelos débiles o una fuente de deuda de mantenimiento permanente.

5. Reproducibilidad y trazabilidad por defecto: Los datos de capacitación, las funciones, las configuraciones, los resultados de la evaluación, las versiones de implementación y las decisiones clave deben estar documentados y ser recuperables. Eso es lo que le permite depurar un problema de producción meses después y traspasar la propiedad sin perder el conocimiento institucional.

Confianza: propiedad, gobernanza y operación responsable a escala

El listón para implementar la IA no es simplemente «¿funciona?» Es «¿podemos respaldarlo?» La confianza no es algo que se añade al last; se gana con el tiempo y se mantiene durante todo el ciclo de vida de cada modelo que enviamos.

1. Asigne una propiedad y responsabilidad claras: Cada modelo necesita una propiedad definida a lo largo de su ciclo de vida: un propietario de negocio, un propietario de producto, un propietario de IA y un propietario operativo. No es necesario que sean cuatro personas, pero las responsabilidades deben ser explícitas. ¿Quién es responsable de los resultados? ¿Quién responde si el modelo se desvía? ¿Quién responde al incidente a las 2 am? Sin esto, los modelos quedan huérfanos y surgen problemas sin nadie que los posea.

2. Adherirse a los estándares y la gobernanza: Los modelos de IA y ML deben utilizar plataformas aprobadas y cumplir con los estándares, las puertas de lanzamiento y los procesos de gobernanza establecidos por la empresa. Operar fuera de estas barreras requiere un camino claro y definido hacia la corrección o desaprobación, en lugar de una excepción abierta.

3. Gobernar proporcionalmente al riesgo: El nivel de revisión, el rigor de la evaluación y la supervisión humana deben escalar con el impacto de un modelo. Un modelo de cara al cliente que afecta los precios o la disponibilidad para millones de viajeros exige un listón mucho más alto que una herramienta interna utilizada por un equipo pequeño. Para sistemas de alto impacto, sensibles a la seguridad o altamente autónomos, los puntos de management con presencia humana están integrados desde el principio.

4. Diseño para la equidad, la privacidad y la transparencia: Realizamos pruebas activas para detectar sesgos no deseados, contamos con barreras de seguridad sólidas para los datos y favorecemos la explicabilidad cuando las decisiones afectan significativamente a los usuarios. Estos se incorporan desde el principio, no se añaden.

5. Diseño para una implementación, reversión y management seguros: Los despliegues son progresivos, con rutas de retroceso, mecanismos de retroceso y disyuntores listos antes del lanzamiento. La capacidad de deshacer un despliegue de forma segura es tan importante como la capacidad de enviarlo.

6. Monitorear continuamente y adaptar: Una vez en funcionamiento, los equipos deben monitorear activamente la calidad, la deriva, la latencia, el costo y el rendimiento comercial y volver a capacitarse o recalibrarse cuando los datos cambien. Un equipo siempre debe poder explicar cómo se está desempeñando su modelo ahora, no solo cómo se desempeñó cuando se lanzó.

Estos principios hacen más que definir cómo construimos. Definen lo que estamos dispuestos a enviar y cómo lo respaldamos. En un mundo donde los sistemas de IA son cada vez más importantes y toman decisiones reales para viajeros y socios reales, estos estándares son importantes. Aplicados de manera consistente, crean una IA responsable y duradera.

Xavi Amatriain es director de IA y datos de Expedia Group

Xavier compartirá más detalles sobre la arquitectura de Expedia durante su sesión en Transformación VB el 14 de julio a las 11:10 am PT. Discutirá: «El plan de Expedia para crear agentes autónomos para sistemas transaccionales de alto riesgo».

¿Interesado en asistir a VB Remodel 2026? Registro aquí. También hay disponible una cantidad selecta de pases gratuitos para líderes tecnológicos de alto nivel. Contáctenos para conseguir el tuyo.

¡Bienvenido a la comunidad VentureBeat!

Nuestro programa de publicaciones invitadas es donde los expertos técnicos comparten conocimientos y brindan análisis profundos neutrales y no adquiridos sobre inteligencia synthetic, infraestructura de datos, ciberseguridad y otras tecnologías de vanguardia que dan forma al futuro de las empresas.

Leer más de nuestro programa de publicaciones de invitados y consulte nuestro pautas ¡Si estás interesado en contribuir con un artículo propio!