El objetivo final del desarrollo de tecnologías. Inteligencia artificial (IA), liderada por empresas como OpenAI, es contar con modelos de inteligencia artificial general (AGI), capaces de resolver cualquier tarea o petición del usuario, y analizar todo tipo de información desde diferentes formatos o registros sensoriales. Y una herramienta clave para construir estos modelos de propósito general son los agentes inteligentes (o agentes de IA).
Los agentes inteligentes son básicamente Modelos desarrollados para propósitos específicos, optimizados para resolver problemas específicos en diferentes áreas. como la asistencia al consumidor, el internet de las cosas (IoT) o en las cadenas de suministro y la logística. Su propósito es ayudar a los humanos en tareas relativamente mecánicas y, combinándolas, se pueden crear modelos de propósito general.
Una característica central de esta tecnología es que su funcionamiento es autónomo. Aunque inicialmente son entrenados por humanos, luego pueden operar de forma independiente., analizando la información de un sistema o aplicación o, en el caso de que se apliquen a productos físicos como robots, el entorno que los rodea. Un ejemplo de uso para este último caso son los coches con sistemas de conducción autónoma, que perciben esta información a través de sensores y la analizan para definir qué acciones tomar.
En términos generales hay dos tipos de agentes de IA: aquellos que siguen reglas predefinidas; y aquellos que aprenden y se adaptan de forma autónoma a diferentes situaciones para responder de la mejor manera posible.
A su vez, estos agentes se pueden clasificar, según su funcionamiento, en reactivos (responden directamente a los estímulos); deliberativo (planean tomar decisiones diferentes); o con capacidades de aprendizaje (se adaptan en base a datos y experiencia).
Un uso que refleja las posibilidades que ofrecen este tipo de agentes es el anunciado a finales del año pasado por la empresa OpenAI. Tras el auge de su modelo de IA conversacional, presentaron una nueva herramienta para usuarios de pago, que les permite crear sus propios agentes personalizados según el rol necesario, como por ejemplo un “entrenador de escritura creativa” o un “compañero de viaje”. En este caso, a través del procesamiento del lenguaje natural (NLP), se puede interactuar con agentes mejor preparados para resolver tareas específicas, en comparación con ChatGPT, que es de propósito general.
Percepciones y actuadores
Para que estos modelos entren en funcionamiento lo primero que deben recibir son los llamados “percepciones”, es decir, las entradas sensoriales que el agente de IA recibe de su entorno. Estos proporcionan información sobre el estado actual del entorno observable en el que opera el agente. Por ejemplo, si se trata de un chatbot de atención al cliente, los insights pueden incluir mensajes de texto, información del perfil del usuario, su ubicación e incluso el reconocimiento de sus emociones.
Otro caso sería el de un vehículo de conducción autónomael cual recibe información a través de sus múltiples sensores y la procesa en base a los parámetros que conforman su base de conocimiento.
Siguiendo el mismo ejemplo, la base podría estar compuesta por información sobre las vías, normas de tránsito como límites de velocidad y situaciones que fueron generadas por humanos durante la etapa de entrenamiento de los agentes, antes de realizar pruebas en la calle.
A partir de la información de las percepciones, la “actuadores”, quienes son quienes ejecutan las acciones con base en el análisis. Por ejemplo, un actuador puede ser un generador de respuestas de texto que se envían al usuario en un chat de soporte, o uno que activa los frenos de un coche si detecta un objeto estático a cierta distancia.
También pueden ser notificaciones de aplicaciones, como una notificación o un correo electrónico de alerta enviado al titular de una cuenta bancaria cuando se realiza una transferencia.
Además del trabajo sobre estos dos elementos, el comentario También es esencial para la mejora de los agentes de IA con el tiempo. Esta retroalimentación puede provenir, por un lado, de un operador humano o de otro sistema de IA que supervise al agente en cuestión.
Por otro lado, el entorno también puede proporcionar retroalimentación en forma de resultados de las acciones del agente. Este circuito de retroalimentación permite al agente adaptarse, aprender de sus experiencias y tomar mejores decisiones en el futuro.
Tipos de agentes de IA
- Agentes reflejos simples: Estos agentes, adecuados para tareas con complejidad limitada, operan en base a un conjunto de reglas condición-acción predefinidas. Reaccionan a la percepción actual y no consideran la historia de percepciones anteriores.
- Agentes de reflexión basados en modelos: Los agentes basados en modelos adoptan un enfoque más avanzado. Mantienen un modelo interno del entorno y toman decisiones basadas en la comprensión de su modelo.
- Agentes basados en servicios públicos: Toman decisiones considerando la utilidad esperada de cada acción posible. Se suelen utilizar en situaciones en las que es fundamental sopesar diferentes opciones y seleccionar la que tenga la mayor utilidad esperada.
- Agentes de aprendizaje: Están diseñados para operar en entornos desconocidos. Aprenden de sus experiencias y adaptan sus acciones con el tiempo. El aprendizaje profundo y las redes neuronales se utilizan a menudo en el desarrollo de agentes de aprendizaje.
- Agentes creencia-deseo-intención: Estos agentes moldean el comportamiento humano manteniendo creencias sobre el entorno, deseos e intenciones. Pueden razonar y planificar sus acciones en consecuencia, lo que las hace adecuadas para sistemas complejos.
- Agentes basados en lógica: Utilizan el razonamiento deductivo para tomar decisiones, normalmente basándose en reglas lógicas. Son muy adecuados para tareas que requieren un razonamiento lógico complejo.
