¿Qué es un sistema multiagente?

Cada agente dentro de un MAS tiene propiedades individuales, pero todos los agentes se comportan en colaboración para conducir a las propiedades globales deseadas.¹ Los sistemas multiagente son valiosos para completar tareas complejas a gran escala que pueden abarcar cientos, si no miles, de agentes.²

El centro de esta idea son 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 u otro sistema mediante el diseño de su flujo de trabajo y el uso de 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 de 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). De manera similar a la toma de decisiones humanas, 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 que los agentes de IA tengan un propósito más general que los LLM tradicionales.

Para obtener más información sobre los sistemas de agente único, consulte nuestro contenido detallado sobre agentes de AI.

Los sistemas inteligentes de agente único interactúan con su entorno para planificar, llamar 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 describió anteriormente, esta información puede ser una base de datos adquirida a través de una API u otro agente. Aquí hay una distinción entre sistemas de agente único y multiagente. Al llamar a otro agente como herramienta, ese agente secundario es parte de los estímulos ambientales del agente original. Esa información se adquiere y no se lleva a cabo más cooperación. Por su parte, los sistemas multiagente difieren al involucrar a todos los agentes dentro del entorno para modelar los objetivos, la memoria y el plan de acción de cada uno.⁴ 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 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 agentes.³ 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. Finalmente, los agentes pueden compartir sus experiencias en tiempo real para evitar que otros agentes aprendan repetitivamente las mismas políticas.⁵

Los agentes individuales son poderosos por sí mismos. Pueden crear subtareas, usar 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 agente único debido al mayor conjunto de recursos compartidos, optimización y automatización. En lugar de que varios agentes aprendan las mismas políticas, se pueden compartir las experiencias aprendidas para optimizar la complejidad del tiempo y la eficiencia.⁵

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. Una fortaleza de esta estructura es la facilidad de comunicación entre los agentes y el conocimiento uniforme. Una debilidad de la centralidad es la dependencia de la unidad central; si falla, todo el sistema de agentes lo hace.⁶

Los agentes de las redes descentralizadas comparten información con sus agentes vecinos en lugar de una base de conocimientos global. Algunos beneficios de las redes descentralizadas son la robustez y la modularidad. La falla de un agente no hace que falle todo el sistema, ya que no hay una unidad central. Un desafío de los agentes descentralizados es coordinar su comportamiento para obtener un beneficio de otros agentes cooperantes.⁷

Hay muchas maneras de organizar agentes dentro de un sistema multiagente, entre ellas:

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 se puede distribuir entre múltiples agentes.⁸

Dentro de este tipo de arquitectura, los agentes se agrupan en holarquías. Un holon es una entidad que no puede operar sin sus componentes. Por ejemplo, el cuerpo humano es un holón porque no puede funcionar sin órganos que funcionen.⁹ Del mismo modo, en los sistemas holónicos de múltiples agentes, el agente principal puede tener múltiples subagentes mientras parece ser una entidad única.⁸ 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 únicos de bajo rendimiento en un grupo. En estas situaciones, los agentes se unen temporalmente para aumentar la utilidad o el rendimiento. Una vez que se alcanza el rendimiento deseado, las coaliciones se deshacen. Puede resultar difícil mantener estas coaliciones en entornos dinámicos. La reagrupación suele ser necesaria para mejorar el rendimiento.⁹

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 coaliciones.⁸

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. La agrupación pertenece a la sincronización direccional y la estructura de las bandadas se puede describir mediante estas heurísticas:¹⁰

• Separación: intento de evitar la colisión con agentes cercanos.
• Alineación: intento de igualar la velocidad de los agentes cercanos.
• Cohesión: intento de permanecer cerca de otros agentes.

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 se puede comparar con el enjambre que ocurre 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 agrupación entre agentes de software con control descentralizado.¹¹ Un beneficio del enjambre es que se puede capacitar a un operador para gestionar un enjambre de agentes. Este método es menos costoso desde el punto de vista computacional y más confiable que capacitar a un operador para cada agente.¹²

Los sistemas multiagente pueden resolver muchas tareas complejas del mundo real. Algunos ejemplos de dominios aplicables incluyen:

Hay varias características de los sistemas multiagente que brindan ventajas, entre ellas:

Los sistemas multiagente pueden ajustarse a diferentes entornos agregando, eliminando o adaptando agentes.

La cooperación de varios agentes permite un mayor conjunto de información compartida. Esta colaboración hace que los sistemas de múltiples agentes puedan 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.

La infraestructura multiagente tiende a superar a los agentes únicos.¹⁹ Esto se debe a que, cuantos más planes de acción hay disponibles para un agente, más aprendizaje y reflexión se producen. Un agente de IA que incorpore conocimientos y retroalimentación de otros agentes de IA con especialidades en áreas relacionadas puede ser útil para la síntesis de información. Esta colaboración de backend de los agentes de IA y la capacidad de llenar los vacíos de información son exclusivas de la infraestructura agéntica, lo que los convierte en una herramienta poderosa y un avance significativo en inteligencia artificial.

Hay varios desafíos en el diseño y la implementación de sistemas multiagente, entre ellos:

Los sistemas multiagente creados sobre los mismos modelos fundacionales pueden experimentar dificultades compartidas. Tales debilidades pueden causar una falla en todo el sistema de todos los agentes involucrados o exponer la vulnerabilidad a ataques adversos.²⁰ Esto destaca la importancia de la gobernanza de datos en la construcción de modelos fundacionales y la necesidad de procesos exhaustivos de capacitación y pruebas.

Uno de los mayores desafíos de la creación de sistemas multiagente es desarrollar agentes que puedan coordinarse y negociar entre sí. Esta cooperación es esencial para un sistema multiagente que funcione.

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.