En este momento estás viendo Agentes e inteligencia artificial y flujos de trabajo agénticos

Agentes e inteligencia artificial y flujos de trabajo agénticos

El 24 de febrero a las 17 horas (Hora Argentina), el equipo de UBA IALAB presentará el libro «Agentes e inteligencia artificial y flujos de trabajo agénticos» el cual profundiza temas como:

  • ⁠La clasificación de agentes según su autonomía.
  • ⁠La integración con herramientas externas.
  • ⁠La aplicación de flujos de trabajo agénticos.

Luego, a las 18 horas (Hora Argentina) se llevará a cabo la primera reunión informativa del Posgrado a través de zoom.

Posgrado Internacional en Inteligencia Artificial Generativa Prompting y derecho 2025. 

Con un enfoque práctico basado en laboratorios de aplicación de IA Generativa.

👉🏻128 horas de cursada, de las cuales 60 horas son de laboratorios prácticos.

📅Inicio: Entre el 13 y 20 de marzo de 2025 y finaliza en noviembre de 2025.

🖥Clases sincrónicas virtuales por Zoom con dos clases presenciales optativas.

🕒Cursada: jueves de 17 a 21 hs.

📌Cuenta con un campus virtual automatizado donde se podrán ver las clases grabadas, el material y programa de la cursada (Nota: garantizo que es así porque tomé la formación de hace dos años).


¿De qué se trata eso de la «clasificación de agentes según su autonomía», «la integración con herramientas externas», «la aplicación de flujos de trabajo agénticos»?

Como para comenzar a entender estos temas, podemos pensar en los Agentes e Inteligencia Artificial como entidades que nos permiten elevar la productividad y lograr autonomía en el trabajo.

Actualmente gran parte de la tecnología esta siendo impulsado por la Inteligencia Artificial (IA) que se ha convertido en un aliado indispensable para que podamos optimizar nuestros procesos y mejorar la eficiencia en diversas industrias, no sólo en desarrollo de software. Dentro de este campo, los agentes de IA y los flujos de trabajo agénticos están surgiendo como herramientas muy poderosas que permiten impulsar la productividad y la autonomía en el trabajo.

1. Clasificación de agentes según su autonomía

Imaginemos a los agentes de IA como nuestros «colaboradores digitales» («colaboradores» que tienen un conocimiento importante sobre una cierta área técnica) que pueden realizar tareas por nosotros, y que nosotros sabemos que las pueden realizar muy bien (o por lo menos suponemos, ja). Pero no todos los «colaboradores» son iguales, algunos son más independientes que otros («colaboradores» con cierto nivel de experiencia en el área técnica). La clasificación de agentes según su autonomía nos permite entender qué tan «inteligentes» y «capaces» son estos «colaboradores digitales».

  • Agentes reactivos: Son los «colaboradores digitales» más básicos. Reaccionan a lo que sucede en el momento, sin pensar mucho en la siguiente acción, paso o situación.
  • Agentes basados en modelos: Estos «colaboradores digitales» son un poco más avanzados. Tienen una «idea» de cómo funciona el escenario con el cual interactúan y pueden usar esa idea para tomar decisiones.
  • Agentes basados en objetivos: Estos «colaboradores digitales» tienen metas claras y trabajan para alcanzarlas. Pueden planificar y tomar decisiones a largo plazo.
  • Agentes basados en utilidad: Estos «colaboradores digitales» son los más sofisticados. No solo tienen objetivos, sino que también evalúan qué tan «bueno» es cada objetivo y eligen el mejor.

2. Integración con herramientas externas

Los agentes de IA no se encuentran aislados. Para ser útiles, necesitan interactuar con diferentes escenarios del exterior. La integración con herramientas externas les permite acceder a información y recursos que necesitan para realizar sus tareas.

3. Aplicación de flujos de trabajo agénticos

Los flujos de trabajo agénticos son como «recetas» que combinan múltiples agentes de IA para lograr tareas complejas. Imagina una fábrica donde diferentes agentes («colaboradores digitales») se encargan de distintas tareas: uno controla la calidad de los productos, otro gestiona el inventario, otro se encarga del envío.

Un flujo de trabajo agéntico coordina a estos agentes para que trabajen juntos de manera eficiente. Por ejemplo, el agente de inventario puede comunicarse con el agente de producción para asegurarse de que haya suficientes materiales para fabricar los productos. El agente de calidad puede enviar información al agente de producción para que corrija errores en el proceso.

MAKE es un ejemplo de aplicación de flujos de trabajo agénticos. ¿Qué es MAKE?

MAKE es una plataforma que nos permite conectar diferentes aplicaciones y automatizar tareas entre ellas. Por ejemplo, se puede configurar MAKE para que cada vez que recibamos un correo electrónico en Gmail con un archivo adjunto, este archivo se guarde automáticamente en Dropbox.

¿Cómo funciona MAKE como un flujo de trabajo agéntico?

  1. Agentes individuales: Cada aplicación que logramos conectar en MAKE (Gmail, Dropbox, etc.) actúa como un agente individual («colaborador digital»). Cada agente tiene sus propias capacidades y tareas específicas (enviar correos, guardar archivos, etc.). [Nota: ver Clasificación de agentes según su autonomía].
  2. Flujo de trabajo: MAKE permite definir un flujo de trabajo, es decir, una secuencia de acciones que se ejecutan automáticamente. En el ejemplo anterior, el flujo de trabajo sería: «Recibir correo en Gmail» -> «Extraer archivo adjunto» -> «Guardar archivo en Dropbox».
  3. Coordinación de agentes: MAKE se encarga de coordinar a los agentes para que trabajen juntos. En el ejemplo, MAKE «despierta» al agente de Gmail para que revise si hay nuevos correos, luego «activa» al agente de Dropbox para que guarde el archivo, y así sucesivamente.

¿Por qué MAKE es un ejemplo de flujo de trabajo agéntico?

  • Autonomía: Cada agente (aplicación)(«colaborador digital») realiza su tarea de forma autónoma, sin necesidad de intervención humana.
  • Integración: MAKE integra diferentes agentes (aplicaciones) para que trabajen juntos.
  • Flujo de trabajo: MAKE define un flujo de trabajo que coordina a los agentes para lograr un objetivo complejo (automatizar una tarea).

Ejemplos de software como Agentes Reactivos

Los agentes reactivos son los más básicos en cuanto a autonomía. Actúan respondiendo a estímulos inmediatos, sin tener en cuenta el escenario anterior ni planificar el escenario posterior. Su funcionamiento se basa en reglas predefinidas y datos actuales. Aunque puedan parecer simples, son útiles para tareas específicas y repetitivas.

Ejemplos

  1. Sistemas de alarma:
    • Funcionamiento: Un sensor del sistema de alarma detecta una situación que se está presentando (p.e. humo, movimiento, apertura de una puerta) y el sistema de alarma reacciona activando una alarma sonora y/o enviando una notificación de manera automática.
    • Reactividad: La alarma solo se activa si el sensor detecta el evento en tiempo real. No tiene memoria de eventos anteriores ni predice futuros riesgos. Aunque puede programarse para que ello suceda.
  2. Control de iluminación automática:
    • Funcionamiento: Un sensor de movimiento detecta la presencia de personas en un área y enciende las luces. Si no hay movimiento durante un tiempo, las luces se mantienen apagadas.
    • Reactividad: El sistema reacciona a la presencia o ausencia de movimiento en el momento. No aprende patrones de uso ni ajusta la iluminación según la hora del día. Aunque puede programarse para que ello suceda.
  3. Bots de respuesta automática en redes sociales:
    • Funcionamiento: Un bot está programado para responder a mensajes directos o comentarios con respuestas predefinidas según palabras clave. Por ejemplo, si alguien escribe «horarios», el bot responde con los horarios de atención.
    • Reactividad: El bot solo responde a mensajes que contienen las palabras clave específicas. No entiende el contexto ni puede responder a preguntas fuera de su programación. Requiere de constante chequeo y entrenamiento para mejorar respuestas.
  4. Filtros de spam:
    • Funcionamiento: Analizan los correos electrónicos entrantes y los clasifican como spam o no según ciertas características (remitente, asunto, contenido). Los correos marcados como spam se envían a una carpeta separada. Actividad implementada desde hace varios años y que ha tenido varias mejoras en el último tiempo en cuanto a posibilidades de filtro.
    • Reactividad: El filtro reacciona a cada correo individualmente según sus características. No aprende de los correos que el usuario marca como spam ni se adapta a nuevas tácticas de spam.
  5. Sistemas de control de acceso:
    • Funcionamiento: Verifican la identidad de una persona (mediante una tarjeta, huella digital o código) y permiten o niegan el acceso a un área restringida.
    • Reactividad: El sistema solo reacciona a la información proporcionada en el momento. No guarda un registro de accesos anteriores ni predice intentos de acceso no autorizados.

Limitaciones

  • Falta de memoria: No pueden aprender de experiencias pasadas ni ajustar su comportamiento en consecuencia.
  • Capacidad limitada: Solo pueden realizar tareas sencillas y repetitivas para las que han sido programados.
  • Rigidez: No pueden adaptarse a situaciones nuevas o imprevistas que no estén contempladas en sus reglas.

A pesar de sus limitaciones, los agentes reactivos son útiles para automatizar tareas simples y repetitivas en entornos predecibles. Su simplicidad los hace fáciles de implementar y mantener. Sin embargo, para tareas más complejas que requieran aprendizaje y adaptación, se necesitan agentes con mayor autonomía.


Ejemplos de Agentes Basados en Modelos

Auto autónomo básico: Un auto autónomo básico que solo reacciona a obstáculos inmediatos (como otros coches o peatones) es un agente basado en modelos. Tiene un modelo de cómo funcionan las leyes de la física y cómo los objetos se mueven, y usa ese modelo para evitar colisiones. Así como los autos autónomos, tenemos los barcos autónomos y los aviones autónomos.

Videojuego: Los personajes de videojuegos suelen ser agentes basados en modelos. Tienen una «idea» de cómo funciona el mundo del juego (por ejemplo, qué objetos son obstáculos, qué acciones son posibles) y usan esa idea para tomar decisiones sobre cómo moverse, atacar, etc.

Robot aspirador con mapeo: Un robot aspirador más avanzado que mapea la casa es un agente basado en modelos. Crea un modelo interno del entorno y lo utiliza para planificar una ruta de limpieza eficiente, evitando repetir áreas ya limpias.


Ejemplos Agentes Basados en Objetivos

Jugador de ajedrez: Un programa de ajedrez es un agente basado en objetivos. Su objetivo es ganar la partida y planifica sus movimientos para lograrlo, anticipando las jugadas del oponente.

Planificador de rutas: Una aplicación de navegación GPS es un agente basado en objetivos. Tiene el objetivo de llevarte de un punto A a un punto B y planifica una ruta para lograrlo, considerando factores como la distancia, el tráfico y las preferencias del usuario.

Agente de reservas de hotel: Un agente que busca y reserva hoteles según tus preferencias (precio, ubicación, servicios) es un agente basado en objetivos. Su objetivo es encontrar el hotel que mejor se adapte a tus necesidades.


Ejemplos Agentes Basados en Utilidad

Auto autónomo avanzado: Un auto autónomo avanzado que no solo evita obstáculos, sino que también optimiza el consumo de combustible, elige la ruta más rápida y se adapta a las preferencias del conductor es un agente basado en utilidad.

Recomendador de películas: Un sistema de recomendación de películas como el de Netflix es un agente basado en utilidad. Su objetivo es recomendarte películas que te gusten, pero también considera otros factores como la popularidad de la película, las críticas y tu historial de visualización para maximizar la «utilidad» de la recomendación.

Agente de inversión: Un agente que invierte dinero en bolsa es un agente basado en utilidad. Su objetivo es maximizar el rendimiento de la inversión, pero también considera otros factores como el riesgo, la liquidez y las condiciones del mercado para tomar decisiones «óptimas».

Nota interna

Luego de charla que dará el equipo de UBA IALAB, compartiré la experiencia y conclusiones en un nuevo artículo.

Gus Terrera

Apasionado por el agile testing y la ia.