Un sistema multiagente (MAS) consiste en varios agentes de inteligencia artificial (IA) que trabajan de forma colectiva para realizar tareas en nombre de un usuario u otro sistema.
Cada agente dentro de un MAS tiene propiedades individuales, pero todos los agentes se comportan de forma colaborativa para conducir a las propiedades globales deseadas.1 Los sistemas multiagente son valiosos para completar tareas complejas y a gran escala que pueden abarcar cientos, si no miles, de agentes2.
En el centro de esta idea se encuentran los agentes de inteligencia artificial (IA) . Un agente de IA se refiere a un sistema o programa capaz de realizar tareas de forma autónoma en nombre de un usuario o de otro sistema diseñando su flujo de trabajo y utilizando las herramientas disponibles. En el núcleo de los agentes de IA se encuentran los modelos de lenguaje de gran tamaño (LLM). Estos agentes inteligentes aprovechan las técnicas avanzadas de procesamiento del lenguaje natural de los LLM para comprender y responder a las entradas de los usuarios. Los agentes resuelven los problemas paso a paso y determinan cuándo recurrir a herramientas externas. Lo que diferencia a los agentes de IA de los LLM tradicionales es el uso de herramientas y la capacidad de diseñar un plan de acción. Las herramientas disponibles para un agente pueden incluir conjuntos de datos externos, búsquedas web e interfaces de programación de aplicaciones (API). Al igual que la toma de decisiones humana, los agentes de IA también pueden actualizar su memoria a medida que adquieren nueva información. El intercambio de información, el uso de herramientas y el aprendizaje adaptativo permiten a los agentes de IA tener un propósito más general que los LLM tradicionales.
Para obtener más información sobre los sistemas de agente único, consulte nuestro contenido de agentes de IA detallado.
Boletín del sector
Obtenga conocimientos organizados sobre las noticias más importantes e intrigantes de la IA. Suscríbase a nuestro boletín semanal Think. Consulte la Declaración de privacidad de IBM.
Su suscripción se enviará en inglés. Encontrará un enlace para darse de baja en cada boletín. Puede gestionar sus suscripciones o darse de baja aquí. Consulte nuestra Declaración de privacidad de IBM para obtener más información.
Los sistemas inteligentes de un solo agente interactúan con su entorno para planificar, llamar a herramientas y producir respuestas de forma autónoma. Las herramientas puestas a disposición de un agente proporcionan información que de otro modo no estaría disponible para el agente. Como se ha descrito anteriormente, esta información puede ser una base de datos adquirida a través de una API u otro agente. Esta es una distinción entre sistemas de agente único y multiagente. Al llamar a otro agente como herramienta, ese agente secundario forma parte de los estímulos ambientales del agente original. Esa información se adquiere y no se produce más cooperación. Mientras que los sistemas multiagente se diferencian por la participación de todos los agentes del entorno para modelar los objetivos, la memoria y el plan de acción de los demás4. La comunicación entre agentes puede ser directa o indirecta mediante la alteración del entorno compartido.
Cada entidad dentro de un sistema multiagente es un agente autónomo hasta cierto punto. Esta autonomía suele verse reflejada en la planificación, la llamada de herramientas y el razonamiento general del agente. En un sistema multiagente, los agentes siguen siendo autónomos, pero también cooperan y se coordinan en estructuras de agentes3. Para resolver problemas complejos, la comunicación entre agentes y la resolución distribuida de problemas son clave. Este tipo de interacción entre agentes puede describirse como aprendizaje por refuerzo multiagente. La información compartida a través de esta forma de aprendizaje puede incluir información instantánea adquirida a través de sensores o acciones. Además, se pueden compartir las experiencias de un agente en forma de información episódica. Estos episodios pueden ser secuencias de sensaciones, acciones y políticas aprendidas. Por último, los agentes pueden compartir sus experiencias en tiempo real para evitar que otros agentes aprendan repetidamente las mismas políticas5.
Los agentes individuales son poderosos por sí mismos. Pueden crear subtareas, utilizar herramientas y aprender a través de sus interacciones. El comportamiento colectivo de los sistemas multiagente aumenta el potencial de precisión, adaptabilidad y escalabilidad. Los sistemas multiagente tienden a superar a los sistemas de un solo agente debido al mayor conjunto de recursos compartidos, optimización y automatización. En lugar de que varios agentes aprendan las mismas políticas, uno puede compartir las experiencias aprendidas para optimizar la complejidad del tiempo y la eficiencia5.
Los sistemas multiagente pueden operar bajo varias arquitecturas. En las redes centralizadas, una unidad central contiene la base de conocimientos global, conecta a los agentes y supervisa su información. Un punto fuerte de esta estructura es la facilidad de comunicación entre los agentes y el conocimiento uniforme. Un punto débil de la centralidad es la dependencia de la unidad central; si falla, todo el sistema de agentes falla6.
Los agentes de las redes descentralizadas comparten información con sus agentes vecinos en lugar de con una base de conocimientos global. Algunos beneficios de las redes descentralizadas son la robustez y la modularidad. El fallo de un agente no hace que falle todo el sistema, ya que no hay una unidad central. Uno de los retos de los agentes descentralizados es coordinar su comportamiento para obtener un beneficio para otros agentes cooperantes7.
Hay muchas formas de organizar a los agentes dentro de un sistema multiagente, entre las que se incluyen:
Una estructura jerárquica es similar a un árbol y contiene agentes con diferentes niveles de autonomía. Dentro de una estructura jerárquica simple, un agente puede tener la autoridad de toma de decisiones. En una estructura jerárquica uniforme, la responsabilidad puede distribuirse entre varios agentes8.
Dentro de este tipo de arquitectura, los agentes se agrupan en holarquías. Un holón es una entidad que no puede funcionar sin sus componentes. Por ejemplo, el cuerpo humano es un holón porque no puede funcionar sin órganos que funcionen9. Del mismo modo, en los sistemas holónicos multiagente, el agente principal puede tener varios subagentes y parecer una entidad singular8. Estos subagentes también pueden desempeñar funciones en otros holones. Estas estructuras jerárquicas se autoorganizan y se crean para lograr un objetivo a través de la colaboración de los subagentes.
Las coaliciones son útiles en casos de agentes singulares de bajo rendimiento en un grupo. En estas situaciones, los agentes se unen temporalmente para aumentar los servicios o el rendimiento. Una vez que se alcanza el rendimiento deseado, se desembolsan las coaliciones. Puede resultar difícil mantener estas coaliciones en entornos dinámicos. La reagrupación suele ser necesaria para mejorar el rendimiento9.
Los equipos tienen una estructura similar a las coaliciones. En los equipos, los agentes cooperan para mejorar el rendimiento del grupo. Los agentes de los equipos no trabajan de forma independiente, a diferencia de las coaliciones. Los agentes de los equipos dependen mucho más unos de otros y su estructura es más jerárquica que las coaliciones8.
Los comportamientos de los agentes dentro de un sistema multiagente a menudo reflejan comportamientos que ocurren en la naturaleza. Los siguientes comportamientos de los agentes pueden aplicarse tanto a agentes multisoftware como multirobot.
El comportamiento colectivo observado en los sistemas multiagente puede parecerse al de las aves, los peces y los humanos. En estos sistemas, los agentes comparten un objetivo y requieren cierta organización para coordinar su comportamiento. Las bandadas están relacionadas con la sincronización direccional y su estructura puede describirse mediante la heurística siguiente:10
En el contexto de los agentes de software, esta coordinación es crucial para los sistemas multiagente que gestionan redes de transporte como los sistemas ferroviarios.
El posicionamiento espacial de los agentes en un sistema multiagente puede compararse con el enjambre que se produce en la naturaleza. Por ejemplo, las aves vuelan sincronizadas ajustándose a las aves vecinas. Desde una perspectiva técnica, el enjambre es la autoorganización emergente y la agregación entre agentes de software con control descentralizado11. Un beneficio del enjambre es que se puede formar a un operador para que gestione un enjambre de agentes. Este método es menos costoso desde el punto de vista computacional y más fiable que entrenar a un operador para cada agente12.
Los sistemas multiagente pueden resolver muchas tareas complejas del mundo real. Algunos ejemplos de dominios aplicables incluyen:
Los sistemas multiagente se pueden utilizar para gestionar los sistemas de transporte. Las cualidades de los sistemas multiagente que permiten la coordinación de sistemas de transporte complejos son la comunicación, la colaboración, la planificación y el acceso a la información en tiempo real. Ejemplos de sistemas distribuidos que podrían obtener un beneficio de MAS son los sistemas ferroviarios, las asignaciones de camiones y las embarcaciones marítimas que visitan los mismos puertos13.
Los sistemas multiagente se pueden utilizar para diversas tareas específicas en el ámbito sanitario. Estos sistemas basados en agentes pueden ayudar en la predicción y prevención de enfermedades a través del análisis genético. La investigación médica sobre el cáncer podría ser una aplicación14. Además, los sistemas multiagente pueden servir como herramientas para prevenir y simular la propagación de epidemias. Esta previsión es posible gracias al uso de redes neuronales informadas epidemiológicamente y técnicas de machine learning (ML) para gestionar grandes conjuntos de datos. Estos hallazgos pueden afectar a la salud pública y a las políticas públicas15.
Hay varios factores que afectan a una cadena de suministro. Estos factores van desde la creación de bienes hasta la compra del consumidor. Los sistemas multiagente pueden utilizar sus vastos recursos de información, versatilidad y escalabilidad para conectar los componentes de la gestión de la cadena de suministro. Para navegar mejor por esta automatización inteligente, los agentes virtuales deben negociar entre sí. Esta negociación es importante para los agentes que colaboran con otros agentes que tienen objetivos contradictorios16.
Los sistemas multiagente pueden ayudar a fortalecer los sistemas de defensa. Las amenazas potenciales pueden incluir tanto problemas físicos de seguridad nacional como ciberataques. Los sistemas multiagente pueden utilizar sus herramientas para simular posibles ataques. Un ejemplo es una simulación de ataque marítimo. Este escenario implicaría que los agentes trabajaran en equipos para capturar las interacciones entre los barcos terroristas invasores y los barcos de defensa17 .Además, al trabajar en equipos cooperativos, los agentes pueden monitorizar diferentes áreas de la red para detectar amenazas entrantes, como ataques de inundación de denegación de servicio distribuido (DDoS) 18.
Hay varias características de los sistemas multiagente que proporcionan ventajas, entre ellas:
Los sistemas multiagente pueden ajustarse a entornos variables agregando, eliminando o adaptando agentes.
La cooperación de varios agentes permite un mayor conjunto de información compartida. Esta colaboración permite a los sistemas multiagente resolver problemas y tareas más complejos que los sistemas de un solo agente.
Los sistemas de agente único requieren que un agente realice tareas en varios dominios, mientras que cada agente en un sistema multiagente puede tener experiencia en un dominio específico.
Los marcos multiagente tienden a superar a los agentes singulares19. Esto se debe a que cuantos más planes de acción tenga a su disposición un agente, más aprendizaje y reflexión se producen. Un agente de IA que incorpore conocimientos y feedback de otros agentes de IA con especialidades en áreas relacionadas puede ser útil para la síntesis de información. Esta colaboración en segundo plano de los agentes de IA y la capacidad de rellenar lagunas de información son exclusivas de los marcos agénticos, lo que los convierte en una herramienta poderosa y un avance significativo en inteligencia artificial.
Existen varios desafíos en el diseño e implementación de sistemas multiagente, entre ellos:
Los sistemas multiagente creados sobre los mismos modelos fundacionales pueden experimentar dificultades compartidas. Estas debilidades pueden provocar un fallo en todo el sistema de todos los agentes implicados o exponer la vulnerabilidad a ataques adversos20 .Esto pone de relieve la importancia del gobierno de datos en la creación de modelos fundacionales y la necesidad de procesos exhaustivos de formación y pruebas.
Uno de los mayores retos a la hora de crear sistemas multiagente es desarrollar agentes que puedan coordinarse y negociar entre sí. Esta cooperación es esencial para el funcionamiento de un sistema multiagente.
Los agentes que actúan de forma autónoma e independiente en redes descentralizadas pueden tener una experiencia conflictiva o impredecible. Detectar y gestionar problemas dentro del sistema más grande puede ser difícil en estas condiciones.
Permita a los desarrolladores crear, implementar y monitorizar agentes de IA con el estudio IBM watsonx.ai.
Cree una productividad sin precedentes con uno de los conjuntos de capacidades más completos del sector para ayudar a las empresas a crear, personalizar y gestionar agentes y asistentes de IA.
Ahorre más de un 90 % en costes con los modelos más pequeños y abiertos de Granite, diseñados para la eficiencia de los desarrolladores. Estos modelos listos para uso empresarial ofrecen un rendimiento excepcional frente a los puntos de referencia de seguridad y en una amplia gama de tareas empresariales, desde la ciberseguridad hasta RAG.