¿Qué es un agente basado en objetivos?

En la jerarquía de cinco niveles de complejidad de los agentes, los agentes basados en objetivos se sitúan justo en el medio. Son más complejos que los agentes reflejos simples (que siguen reglas predefinidas) y los agentes reflejos basados en modelos (que añaden un modelo interno del mundo). Pero son menos complejos que los agentes basados en la utilidad (que pueden calcular las compensaciones mediante la llamada función de utilidad) y los agentes de aprendizaje (que pueden adaptarse y mejorar con el tiempo, a menudo mediante el aprendizaje por refuerzo o el deep learning).

Los agentes basados en objetivos superan a los agentes reflejo más simples al añadir una función de planificación que considera estados futuros, pero no llegan a emplear las evaluaciones dinámicas de agentes más sofisticados, y en su lugar dependen de estrategias preprogramadas o árboles de decisión para alcanzar sus objetivos. 

Un ejemplo de agente basado en objetivos proviene del ámbito de la robótica, específicamente de la automatización de almacenes. Un robot de almacén que necesita recoger un determinado artículo de una determinada estantería podría simplemente reaccionar a los obstáculos inmediatos, como un robot aspirador chocando contra las paredes (un "agente puramente reactivo"). Sin embargo, lo más eficiente sería planificar un camino que minimice los desvíos y evite los obstáculos conocidos. Por ejemplo, en un entorno dinámico como un almacén moderno, un módulo de planificación puede consultar su base de conocimientos, observar el estado actual y mapear estados futuros (por ejemplo, por conciencia de los movimientos planificados de otros bots), todo lo mejor para alcanzar el resultado deseado de manera eficiente.

Los agentes basados en objetivos operan en cuatro etapas: 

1. Definición de objetivo
2. Planificación
3. Selección de acciones
4. Ejecución

Primero, se le da al agente una definición precisa de éxito. A diferencia de los agentes basados en la utilidad, los agentes basados en objetivos operan bajo condiciones binarias y lógicas. Pero aunque un agente basado en objetivos puede definir el éxito como el cambio de bits de un estado a otro, no hay nada que impida que el "objetivo" singular de dicho agente sea un conjunto moderadamente complejo de lógica proposicional y de primer orden. Por ejemplo, un robot podría establecer el objetivo de "para cada paquete actualmente marcado como urgente, entregar cada uno desde su ubicación de inventario respectiva al muelle de envío". El objetivo es fundamentalmente binario (se puede tener éxito o fracasar en este objetivo), pero también tiene múltiples componentes, lo que permite la complejidad.

Aunque sería bueno que un usuario humano definiera objetivos con precisión, también es posible que un humano introduzca un objetivo más vago ("optimizar el cumplimiento de las vacaciones") y que un LLM cierre la brecha y lo defina en un objetivo o objetivo más preciso. conjunto de objetivos (por ejemplo, "estimar el rendimiento diario del sistema", "definir los paquetes P como de máxima prioridad"; "establecer el objetivo de entregar paquetes P en 24 horas"). 

Una vez definido su objetivo, el agente basado en objetivos realiza un poco de planificación antes de pasar a la ejecución. Por ejemplo, en el ejemplo del almacén, el agente dedicará algún tiempo a modelar las condiciones actuales y potenciales para elegir una ruta óptima para cumplir con los pedidos de mayor prioridad a tiempo, decidiendo, por ejemplo, con qué frecuencia debe realizar viajes desde el inventario estantes a la bahía de envío.

Por supuesto, los planes son tan buenos como la realidad con la que se encuentran. Mientras que algunos agentes basados en objetivos son "conservadores" y prefieren ceñirse a los planes hasta que se vuelven literalmente imposibles, los enfoques más flexibles provienen de agentes "oportunistas" que, si encuentran impedimentos para sus planes, calculan con flexibilidad una próxima acción mejor: mucho como cuando Google Maps sortea un atasco de tráfico inesperado.

En el caso de un robot de almacén, los sensores de la máquina pueden ayudar a controlar la situación en tiempo real, aportando datos cruciales al módulo de planificación. Por ejemplo, si un sensor detecta que el subobjetivo "grasp package" ha fallado por algún motivo, un agente basado en objetivos puede intentar diagnosticar la causa, planificar un enfoque alternativo o llamar a la copia de seguridad.

La decisión de qué tipo de agente de IA utilizar se reduce al tipo de problema que se debe resolver. Mientras se les asignen objetivos específicos, los modelos de IA que subyacen a los agentes basados en objetivos pueden tomar decisiones informadas y gestionar tareas complejas, pero los criterios de éxito deben ser sencillos (a menudo binarios).

Sin embargo, en situaciones en las que la adaptabilidad en tiempo real es crucial, o en las que hay múltiples objetivos entre los que optimizar, las empresas pueden querer pasar de los agentes basados en objetivos a una opción más sofisticada, como los agentes basados en la utilidad. Un ejemplo canónico sería un vehículo autónomo. Cuando un pasajero llama a un coche autónomo, hay varios objetivos que equilibrar: duración, precio, evitación del tráfico, seguridad. Para ofrecer la mejor experiencia del cliente, un vehículo con IA debe pasar por procesos de toma de decisiones complejos, calculando diversas compensaciones de posibles acciones. La función de utilidad resultante dictará las acciones del agente. 

No hay nada que decir que un sistema agéntico no pueda "mezclar y combinar" tipos de agentes, con cada agente adaptado a la complejidad del problema en cuestión. Por ejemplo, se puede imaginar un ejemplo de la sanidad: un hospital que emplea no solo agentes basados en objetivos para ejecutar flujos de trabajo, sino también agentes de los otros cuatro tipos examinados.

En el nivel más simple, un agente reflejo llamado Vitals Monitor podría simplemente monitorizar los signos vitales de todos los pacientes. Su objetivo específico es activar una alarma si la frecuencia cardíaca de un paciente, por ejemplo, baja de cierto nivel—para así alertar mejor a un médico o enfermero sobre la intervención humana. Un agente de este tipo puede confiar en algoritmos simples si/entonces.

Un nivel superior, un agente reflejo basado en modelos llamado Agente de inventario podría gestionar el inventario de medicamentos y suministros para el hospital. Mantiene un modelo interno del inventario actual, los patrones históricos de uso y los tiempos de respuesta de los socios de la cadena de suministro, para agilizar mejor los pedidos de reposición.

En tercer lugar, un agente de nivel superior basado en objetivos llamado Discharge Planner podría trabajar a la inversa del simple objetivo binario del alta del paciente. Se basaría en estrategias preprogramadas y árboles de decisión, considerando también los estados futuros, para coordinar laboratorios, medicamentos y aprobaciones de especialistas, incluyendo todas las subtareas necesarias. Si una etapa se retrasa, su módulo de planificación puede volver a ejecutarse y formular un nuevo plan. (Es probable que el agente basado en objetivos, como la mayoría de estos agentes, se afine en un modelo lingüístico de gran tamaño).

En cuarto lugar, un agente de servicios públicos llamado optimizador de asignación de camas podría asignar a los pacientes a varias habitaciones y, al mismo tiempo, tratar de maximizar la seguridad, la satisfacción y el rendimiento. Dado que debe gestionar múltiples bienes y complejas compensaciones, el agente trabaja con una función de utilidad, evaluando variables como la contagiosidad, los niveles de personal y la gravedad de la enfermedad.

En quinto lugar y en el nivel más alto, un agente de aprendizaje llamado Intake Assistant emplea el machine learning, buscando patrones de experiencias pasadas para mejorar las preguntas de triaje, señalar a los pacientes de alto riesgo y reducir los pasos redundantes. A diferencia de los agentes de nivel inferior, este agente de aprendizaje debe evaluar continuamente conjuntos de datos en evolución, buscando patrones profundos que podrían ser invisibles para los humanos. 

Los cinco agentes trabajan juntos como un conjunto de asistentes virtuales para resolver problemas complejos. Con la orquestación adecuada y la integración de varias capacidades, desde el procesamiento del lenguaje natural (PNL) y la IA generativa hasta la visión artificial y las llamadas a herramientas API, el sistema multiagente es simple donde tiene que ser simple, complejo donde tiene que ser complejo.