Arize AI, Inc. es una empresa estadounidense especializada en la observabilidad de la inteligencia artificial. Su ámbito de actuación se sitúa entre el diseño de un modelo y su uso cotidiano: comprobar que el sistema funciona según lo previsto, comprender por qué sus resultados se deterioran e identificar las correcciones pertinentes. Su oferta, disponible en arize.com, se dirige principalmente a desarrolladores, ingenieros de aprendizaje automático y equipos encargados de operar las aplicaciones de IA.
De los modelos predictivos a la IA generativa
Arize AI fue fundada en 2019 por Jason Lopatecki y Aparna Dhinakaran. La empresa se desarrolló inicialmente en torno a un problema clásico del aprendizaje automático: un modelo que ofrece buenos resultados durante las pruebas puede volverse menos fiable cuando cambian los datos o los comportamientos de los usuarios. Desarrolló herramientas que permiten detectar estas desviaciones e investigar sus causas.
El auge de los grandes modelos de lenguaje ha ampliado este campo de acción. Ya no se trata solo de hacer un seguimiento de las predicciones, sino también de examinar respuestas textuales, búsquedas documentales y secuencias de acciones. Arize ha acompañado esta evolución, especialmente con Phoenix, su proyecto de código abierto dedicado a la observabilidad y la evaluación de las aplicaciones de IA.
Hacer que el comportamiento de la IA se pueda inspeccionar
Para los modelos predictivos, la plataforma permite supervisar la calidad de los datos, los cambios en su distribución y el rendimiento cuando se dispone de resultados de referencia. Estas funciones ayudan a distinguir un problema de datos de una debilidad del modelo y, después, a identificar los segmentos en los que intervenir. El objetivo es transformar un deterioro global en información de diagnóstico que permita actuar.
Para la IA generativa, Arize pone el énfasis en las trazas de ejecución y las evaluaciones. Los equipos pueden examinar las etapas de una aplicación, las solicitudes enviadas a los modelos, los documentos recuperados y las respuestas generadas. Esta visibilidad resulta especialmente útil para las arquitecturas que combinan generación y recuperación de documentos, conocidas como RAG, así como para los agentes que utilizan varias herramientas.
Las evaluaciones sirven para comparar configuraciones, probar cambios en los prompts y hacer un seguimiento de distintos criterios de calidad. Phoenix ofrece una puerta de entrada de código abierto, mientras que la oferta comercial responde a las necesidades operativas y de colaboración de las organizaciones. Por tanto, Arize no se limita a producir paneles de control: sus herramientas forman parte del ciclo de desarrollo y corrección de las aplicaciones.
¿Y ahora qué?
La proliferación de agentes y aplicaciones basadas en varios modelos debería aumentar la necesidad de trazabilidad. Para Arize, el reto será vincular cada vez más estrechamente la observación, la evaluación y la mejora, sin añadir una complejidad excesiva para los equipos. La protección de los datos recopilados y el control de los costes de instrumentación también seguirán siendo determinantes. En un mercado donde los proveedores de modelos y las plataformas en la nube ofrecen sus propias herramientas, su diferenciación dependerá, en particular, de su capacidad para dar soporte a entornos heterogéneos y proporcionar diagnósticos que realmente permitan actuar.