What are AI Agents?
¿Qué son los agentes de IA?
La transición hacia sistemas de IA compuestos
- En 2024, se anticipa que será el año de los agentes de IA. Se introduce la idea de pasar de modelos monolíticos a sistemas de IA compuestos.
- Los modelos por sí solos tienen limitaciones debido a los datos con los que han sido entrenados, lo que afecta su conocimiento y capacidad para resolver tareas.
- Un ejemplo práctico es planear unas vacaciones; un modelo no puede responder correctamente sin acceso a información personal como días disponibles.
- La verdadera utilidad se desbloquea al integrar modelos en sistemas existentes, permitiendo acceso a bases de datos relevantes para obtener respuestas precisas.
- Un sistema compuesto permite que un modelo genere consultas para buscar información específica en una base de datos, mejorando así la precisión.
Diseño modular y lógica del control
- Los sistemas compuestos son inherentemente modulares, combinando diferentes tipos de modelos y componentes programáticos para resolver problemas específicos.
- Este enfoque es más fácil y rápido que ajustar un modelo individualmente, facilitando la adaptación a nuevas necesidades o cambios.
- Se menciona el concepto de generación aumentada por recuperación (RAG), un tipo popular de sistema compuesto que ilustra cómo funcionan estos sistemas en la práctica.
Lógica del control y agentes
- La lógica del control es crucial; si un sistema está diseñado para buscar en una base específica (como políticas vacacionales), fallará al intentar responder preguntas irrelevantes (como el clima).
- Los agentes entran en juego al permitir que un modelo grande controle la lógica del sistema, aprovechando mejoras recientes en sus capacidades razonadoras.
Capacidades fundamentales de los agentes LLM
- Los agentes deben ser capaces de razonar: el modelo debe formular planes y considerar cada paso durante el proceso.
- Además, deben poder actuar mediante programas externos conocidos como herramientas; estas pueden incluir búsquedas web o cálculos matemáticos.
¿Cómo mejorar la personalización en modelos de IA?
Acceso a programas externos y memoria
- Se discute la capacidad de los modelos para acceder a programas externos, lo que permite una interacción más rica y útil.
- La "memoria" se refiere tanto a los registros internos del modelo como al historial de conversaciones previas con el agente, lo que puede enriquecer la experiencia del usuario.
Configuración de agentes mediante ReACT
- Se presenta el enfoque ReACT, que combina razonamiento y acción en agentes LLM (Modelos de Lenguaje Grande).
- Al configurar un agente REACT, se instruye al modelo para que no dé respuestas inmediatas, sino que planifique su trabajo antes de actuar.
Ejemplo práctico: Planificación de vacaciones
- Se utiliza un ejemplo sobre planificación de vacaciones para ilustrar cómo abordar problemas complejos mediante múltiples pasos.
- Factores a considerar incluyen días de vacaciones disponibles, horas bajo el sol y recomendaciones sobre el uso del protector solar.
Complejidad y modularidad en sistemas AI
- Los sistemas AI compuestos permiten explorar diversas rutas para resolver problemas complejos, aumentando su modularidad.
- Se anticipa un aumento en la tecnología de agentes este año, destacando la importancia del equilibrio entre autonomía y eficiencia en tareas bien definidas.
Enfoques pragmáticos vs. genéricos
- Para problemas estrechos y específicos, es más eficiente adoptar un enfoque programático que uno genérico.