¿Qué son los flujos de trabajo agénticos?

Los flujos de trabajo agénticos son procesos impulsados por IA en los que los agentes de IA autónomos toman decisiones, actúan y coordinan tareas con una intervención humana mínima. Estos flujos de trabajo aprovechan los componentes centrales 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 robótica de procesos (RPA), sigue reglas predefinidas y patrones de diseño. Este enfoque puede ser suficiente para tareas repetitivas que siguen una estructura estándar. Los flujos de trabajo de los agentes son dinámicos y ofrecen más flexibilidad al adaptarse a datos en tiempo real y condiciones inesperadas. Los flujos de trabajo de la IA agéntica abordan problemas complejos de manera iterativa y en muchos pasos, lo que permite a los agentes de IA desglosar los procesos de negocio, adaptarse dinámicamente y refinar sus acciones con el tiempo.

Al permitir que la IA generativa maneje flujos de trabajo complejos, las organizaciones se benefician de una mayor eficiencia operativa, escalabilidad y toma de decisiones informada. A medida que continuamos viendo avances en el machine learning y el procesamiento de lenguaje natural, la tecnología de IA se está volviendo más común en las industrias que buscan automatizar y optimizar los procesos, al tiempo que reducen la dependencia de la supervisión humana. Los impactos de los modelos de IA en evolución no solo afectan el desarrollo de software, sino también industrias como la atención médica, las finanzas, los recursos humanos y mucho 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 un problema (por ejemplo, "Mi wifi no funciona"), el chatbot ejecuta decision trees y proporciona respuestas predefinidas. Si el problema no se resuelve, el chatbot simplemente escala a 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 agéntico, el asistente de TI aborda la resolución de problemas como un proceso iterativo de varios pasos. Si un empleado informa acerca de un problema de 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 "¿Esto comenzó después de una actualización reciente?"

2. Ejecución de 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, verificar los registros de red o sugerir cambios de configuración específicos, recuperando y resumiendo esta información para el usuario.

3. Uso de herramientas adaptativas: si la IA detecta un problema del lado del servidor, puede llamar a una API de herramienta de monitoreo interna para verificar 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 verificar 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, mejorando su eficiencia de 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 arreglos intentados.

Los componentes principales de los flujos de trabajo agénticos 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 mediante el diseño de su flujo de trabajo y la utilización de 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 como resultado una calidad de resultados 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 incluyen conjuntos de datos externos, búsquedas web e 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" (interacción humana) (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.

• Ingeniería rápida: El rendimiento del flujo de trabajo agéntico depende en gran medida de la calidad de la instrucción proporcionada. La ingeniería rápida ayuda a los modelos de IA generativa a comprender y responder mejor a una amplia gama de consultas, desde las más simples hasta las más técnicas. Las técnicas comunes de ingeniería rápida incluyen cadena de pensamiento (CoT), one-shot, zero-shot y autorreflexión.

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

• Integraciones: para optimizar los procesos existentes, los flujos de trabajo de los agentes 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, por lo general son el primer paso. Otras formas de integración incluyen infraestructuras como LangChain, LangGraph, CrewAI y BeeAIde 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 agénticos. Andrew recuerda su demostración de creación de agentes de IA, en la que una de las muchas herramientas de IA, una API de búsqueda web, falló. El sistema de IA pudo manejar rápidamente la falla de dependencia utilizando 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 permitir que nuestro esfuerzo se dedique menos a tareas mundanas y repetitivas y más a trabajos intrincados que requieren inteligencia humana.

Andrew también explica que los flujos de trabajo de agentes son significativos no solo para la ejecución de tareas, sino también para capacitar a la próxima generación de LLM. En los flujos de trabajo tradicionales no agénticos, no se ha encontrado que el uso de los resultados de un LLM para entrenar a otro conduzca a resultados eficaces. Sin embargo, el uso de un flujo de trabajo agéntico que produce datos de alta calidad conduce a una capacitación útil.