¿Qué son los flujos de trabajo agentivos?

Los flujos de trabajo agénticos son procesos impulsados por IA en los que los agentes de IA autónomos toman decisiones, emprenden acciones y coordinan tareas con una mínima intervención humana. Estos flujos de trabajo aprovechan los componentes básicos de los agentes inteligentes, como el razonamiento, la planificación y el uso de herramientas, para ejecutar tareas complejas de manera eficiente. La automatización tradicional, como la automatización de procesos robóticos (RPA), sigue reglas y patrones de diseño predefinidos. Este enfoque puede ser suficiente para tareas repetitivas que siguen una estructura estándar. Los flujos de trabajo agénticos son dinámicos y ofrecen más flexibilidad al adaptarse a datos en tiempo real y condiciones inesperadas. Los flujos de trabajo de IA agéntica abordan problemas complejos de forma iterativa y de varios pasos, lo que permite a los agentes de IA desglosar los procesos empresariales, adaptarse dinámicamente y perfeccionar sus acciones a lo largo del tiempo.

Al permitir que la IA generativa gestione flujos de trabajo complejos, las organizaciones se benefician de una mayor eficiencia operativa, escalabilidad y toma de decisiones informada. A medida que seguimos viendo avances en el machine learning y el procesamiento del lenguaje natural (PLN), la tecnología de IA es cada vez más común en los sectores que buscan automatizar y optimizar los procesos al tiempo que reducen la dependencia de la supervisión humana. Los impactos de la evolución de los modelos de IA no solo afectan al desarrollo de software, sino también a sectores como la sanidad, las finanzas, los recursos humanos y muchos más.

Imagine que una empresa tiene un chatbot de soporte de TI que sigue un sistema de automatización basado en reglas. Cuando un empleado informa de un problema (por ejemplo, "Mi wifi no funciona"), el chatbot ejecuta árboles de decisión estáticos y proporciona respuestas predefinidas. Si el problema no se resuelve, el chatbot simplemente recurre al soporte humano. Este enfoque es eficiente para problemas básicos y bien definidos, pero tiene dificultades con la resolución de problemas complejos y de varios pasos que requieren adaptabilidad.

Con un flujo de trabajo agentivo, el asistente de TI aborda la resolución de problemas como un proceso iterativo de varios pasos. Si un empleado informa de un problema con el wifi, el agente sigue un proceso dinámico paso a paso para desglosar el flujo de trabajo:

1. Comprender el problema: el agente de IA recopila información detallada del empleado y hace preguntas aclaratorias como: "¿Hay otros dispositivos conectados a la red?", o "¿Empezó después de una actualización reciente?"

2. Ejecutar pasos de diagnóstico: en función de las respuestas del usuario, la IA selecciona y ejecuta diferentes pasos de resolución de problemas. Puede hacer ping al enrutador, comprobar los registros de red o sugerir cambios de configuración específicos, recuperando y resumiendo esta información para el usuario.

3. Usar herramientas adaptativas: si la IA detecta un problema en el servidor, puede llamar a una API de herramienta de monitorización interna para comprobar si hay interrupciones. Si el problema es específico del dispositivo, puede recuperar sugerencias de actualización de controladores o ejecutar un script para restablecer la configuración de red.

4. Iteración basada en resultados: si una acción no resuelve el problema, la IA ajusta su enfoque dinámicamente. Podría cotejar los problemas relacionados, reintentar el diagnóstico o sugerir una solución diferente en lugar de simplemente escalar de inmediato.

5. Finalización y aprendizaje: si se soluciona el problema, la IA registra la solución para casos futuros, lo que mejora su eficiencia en la resolución de problemas con el tiempo. Si no se resuelve, se escala con un informe detallado, lo que ahorra tiempo al personal de TI al resumir los intentos de corrección.

Los componentes principales de los flujos de trabajo de agencia son:

• Agentes de IA: en inteligencia artificial (IA), un flujo de trabajo no es agente si no consta de un agente de IA. Un agente de IA se refiere a un sistema o programa que es capaz de realizar tareas de forma autónoma en nombre de un usuario u otro sistema diseñando su flujo de trabajo y utilizando las herramientas disponibles.

• Modelos de lenguaje de gran tamaño (LLM): en el núcleo de los agentes de IA se encuentran los modelos de lenguaje de gran tamaño. Los LLM son cruciales para procesar y generar lenguaje natural. El ajuste de los parámetros LLM, como la temperatura, también dará lugar a una calidad de salida variable.

• Herramientas: para que un LLM adquiera información más allá de los datos utilizados en el entrenamiento del modelo, debemos proporcionar herramientas. Algunos ejemplos de herramientas de uso común son los conjuntos de datos externos, las búsquedas web y las interfaces de programación de aplicaciones (API). Podemos utilizar herramientas para adaptar un agente de IA a casos de uso específicos más allá de las tareas rutinarias.

• Mecanismos de feedback: los mecanismos de feedback, como human-in-the-loop (HITL) o incluso otros agentes, pueden ser valiosos para facilitar el proceso de toma de decisiones del agente de IA y dirigir el resultado del agente.

• Prompt engineering: el rendimiento del flujo de trabajo agéntico depende en gran medida de la calidad de las instrucciones proporcionadas. El prompt engineering ayuda a los modelos de IA generativa a comprender y responder mejor a una amplia gama de consultas, desde las más sencillas hasta las más técnicas. Las técnicas comunes de prompt engineering incluyen cadena de pensamiento (CoT), one-shot, zero-shot y autorreflexión.

• Colaboración multiagente: la comunicación y la resolución distribuida de problemas en los sistemas multiagente (MAS) son clave para casos de uso complejos. A cada agente de un MAS se le puede asignar un conjunto de herramientas, algoritmos y un dominio de "experiencia" para que no todos los agentes vuelvan a aprender la misma información. En su lugar, los agentes comparten la información aprendida con el resto del MAS.

• Integraciones: para agilizar los procesos existentes, los flujos de trabajo agénticos deben integrarse con la infraestructura existente. Esta sinergia depende de los requisitos y objetivos del flujo de trabajo de los agentes. La integración de datos, el proceso de consolidación de datos en una base de datos central para que el agente acceda, suele ser el primer paso. Otras formas de integración incluyen marcos de agentes como LangChain, LangGraph, crewAI y BeeAI de IBM. Estos marcos de orquestación de agentes pueden servir como proveedores para lograr una mayor escala y rendimiento. La integración de herramientas específicas del contexto también es clave para lograr resultados relevantes.
  

Una anécdota personal de Andrew Ng, líder en IA, destaca la adaptabilidad de los flujos de trabajo de agencia. Andrew recuerda su demostración de creación de agentes de IA, en la que falló una de las muchas herramientas de IA, una API de búsqueda web. El sistema de IA pudo gestionar rápidamente el fallo de dependencia utilizando en su lugar una herramienta de búsqueda disponible en Wikipedia. El sistema completó la tarea y se mantuvo adaptable al entorno cambiante. La menor necesidad de supervisión humana podría permitirnos dedicar menos esfuerzo a tareas rutinarias y repetitivas y más a trabajos complejos que requieren inteligencia humana.

Andrew también explica que los flujos de trabajo agénticos son significativos no solo para la ejecución de tareas, sino también para entrenar a la próxima generación de LLM. En los flujos de trabajo tradicionales, sin agentes, no se ha comprobado que el uso de los resultados de un LLM para entrenar a otro dé resultados efectivos. Sin embargo, el uso de un flujo de trabajo agénticos que produzca datos de alta calidad conduce a una formación útil.