Los Modelos de Lenguaje Grandes (LLMs) (opens new window) como GPT (opens new window) pueden generar texto, responder preguntas y ayudar en muchas tareas. Sin embargo, son reactivos, lo que significa que solo responden a la entrada que reciben basándose en los patrones que han aprendido. Los LLMs no pueden tomar sus propias decisiones; además, no pueden planificar ni adaptarse a situaciones cambiantes.

La IA Agente (opens new window) entra en juego para resolver este problema. A diferencia de la IA generativa (opens new window) de los LLMs, la IA agente puede tomar la iniciativa, establecer metas y aprender de sus experiencias. Es proactiva, capaz de ajustar sus acciones con el tiempo y puede manejar tareas más complejas que requieren solución de problemas y toma de decisiones continuas. Este cambio de una IA reactiva a una IA proactiva abre nuevas posibilidades para la tecnología en muchas industrias.

En esta serie de blogs, analizaremos las diferencias entre la IA Agente y la IA Generativa, y cómo cada una afecta a las industrias y al futuro de la tecnología. En esta primera publicación, comenzaremos explorando lo que diferencia a estos dos tipos de IA.

IA Agente

La IA Agente se refiere a sistemas de IA que pueden tomar decisiones y realizar acciones de manera autónoma para lograr metas específicas. En lugar de simplemente generar contenido, estos modelos de IA pueden interactuar con su entorno, responder a cambios y completar tareas con una guía humana mínima. Por ejemplo, un asistente virtual con capacidades agente no solo proporcionaría información, sino que también programaría citas, administraría recordatorios u realizaría otras acciones para ayudar al usuario a alcanzar sus metas. De manera similar, los autos autónomos ejemplifican la IA agente, ya que toman decisiones en tiempo real para navegar de manera segura por las carreteras y llegar a los destinos de forma independiente.

IA Generativa

La IA Generativa es un tipo de inteligencia artificial centrada en la creación de nuevo contenido, como texto, imágenes, música o incluso video. Funciona aprendiendo de grandes cantidades de datos para comprender patrones, estilos o estructuras, y luego genera contenido original basado en lo que ha aprendido. Por ejemplo, una IA generativa como ChatGPT puede producir respuestas de texto únicas a preguntas, mientras que modelos generadores de imágenes como DALL-E pueden crear imágenes a partir de descripciones de texto. Esencialmente, la IA generativa es como un artista o escritor digital, produciendo trabajos creativos basados en lo que ha aprendido.

La ilustración anterior destaca cómo funciona la IA Agente a través de un flujo de trabajo iterativo y cíclico que incluye etapas de "Pensar/Investigar" y "Revisión". Este proceso adaptativo implica una autoevaluación y mejora continua, lo que permite que la IA Agente produzca una salida optimizada de mayor calidad. Al realizar múltiples pasos para probar y refinar su trabajo, la IA Agente puede operar de manera independiente, aprender de cada etapa y abordar tareas que requieren una evaluación y ajuste continuos.

En la ilustración anterior, se puede ver cómo la IA Generativa sigue un flujo de trabajo directo y de un solo paso: pasa directamente de "Inicio" a "Fin" de una vez. Esto significa que la IA proporciona una respuesta inmediata sin volver a visitar o refinar su salida. El proceso es lineal, produciendo un resultado básico que cumple con la indicación inicial, pero no tiene en cuenta casos excepcionales o pruebas iterativas. Esto ilustra las limitaciones de la IA Generativa para manejar tareas más complejas o adaptativas.

Características de la IA Agente y la IA Generativa

Esta sección explora las características únicas de la IA Agente y la IA Generativa, destacando sus enfoques distintos hacia la inteligencia, la autonomía y la toma de decisiones.

• Autonomía: La IA Agente puede actuar de manera independiente sin requerir una entrada constante de los humanos. Toma decisiones y lleva a cabo tareas por sí misma. Piénselo como un robot que opera sin un controlador humano, determinando qué hacer a continuación en función de su entorno.
• Comportamiento Dirigido por Metas: La IA Agente opera con una meta clara en mente. No solo responde al mundo al azar; trabaja activamente hacia algo específico. Por ejemplo, un automóvil autónomo se esfuerza por llevarte a tu destino de manera segura, y cada acción que realiza, desde el volante hasta el freno, sirve a esa meta.
• Adaptación y Aprendizaje: El Agente aprende de sus acciones y experiencias. Cuando se encuentra con un problema o una falla, se ajusta. Por ejemplo, una IA que recomienda películas aprende qué películas prefieres y mejora con el tiempo para brindarte mejores sugerencias.
• Toma de Decisiones Complejas: La IA Agente no solo toma decisiones simples; evalúa muchas opciones y considera los resultados. Imagina una IA que controla un algoritmo de compraventa de acciones: analiza toneladas de datos, predice tendencias y decide si comprar o vender acciones en función de esa información.
• Percepción del Entorno: Para que la IA tome decisiones inteligentes, necesita comprender su entorno. Esto lo logra a través de sensores o datos. Por ejemplo, un robot utiliza cámaras para "ver" obstáculos y luego navega alrededor de ellos.

• Autonomía Limitada: La IA Generativa tiene una autonomía limitada. No actúa de manera independiente y requiere la intervención humana para generar respuestas. Procesa la entrada que recibe y produce una salida basada en patrones aprendidos, pero no puede iniciar acciones ni operar sin estímulos externos.
• Comportamiento Orientado a Tareas: La IA Generativa es orientada a tareas, pero solo en un sentido reactivo. Responde a indicaciones o tareas específicas generando contenido relevante, como texto o imágenes, pero no persigue objetivos a largo plazo ni tiene una meta general. Cada tarea se completa en función de la entrada inmediata.
• Toma de Decisiones Básica: La IA Generativa se involucra en toma de decisiones básica. Selecciona salidas en función de los patrones que ha aprendido, pero no evalúa múltiples alternativas ni considera las consecuencias. Por ejemplo, al generar texto, elige la siguiente palabra o frase más probable en función del entrenamiento, pero no toma decisiones complejas y superpuestas.
• Sin Aprendizaje ni Adaptación: La IA Generativa no aprende ni se adapta en tiempo real. Una vez entrenada, opera en función de los patrones que aprendió durante el entrenamiento, pero no cambia ni mejora su rendimiento en función de nuevas interacciones a menos que se vuelva a entrenar con datos actualizados.
• Sin Percepción del Entorno: La IA Generativa no tiene percepción del entorno. Trabaja con datos (por ejemplo, texto, imágenes), pero no puede percibir ni interpretar el entorno físico. No puede comprender su entorno y solo reacciona a la entrada que se le proporciona, sin ninguna conciencia externa.

Estudio de Caso: El Flujo de Trabajo Agente en Acción

Si bien las distinciones teóricas entre la IA Generativa y la IA Agente son claras, ver estos conceptos en acción es donde se evidencia el verdadero potencial de la IA Agente. Para demostrar su valor práctico, exploremos un estudio de caso que muestra cómo la IA Agente supera a los métodos tradicionales de los LLM en escenarios del mundo real.

Andrew Ng compartió un estudio de caso para resaltar el poder del Flujo de Trabajo Agente en tareas de codificación. Su equipo probó dos métodos utilizando el benchmark de codificación HumanEval. La tarea fue: "Dada una lista de enteros, devolver la suma de todos los elementos en posiciones pares." En el primer método, solicitud sin indicaciones (opens new window), simplemente se le pidió a la IA que resolviera el problema directamente sin ningún paso adicional. Por ejemplo, GPT-3.5 obtuvo una precisión del 48%, y GPT-4 lo hizo mejor con un 67%. Estos resultados fueron buenos, pero no excepcionales.

Términos Rápidos:

• Solicitud sin indicaciones: Pedirle a la IA que resuelva un problema sin proporcionar orientación adicional o descomponerlo en pasos más pequeños.
• Flujo de Trabajo Agente: Un método en el que una tarea se divide en fases más pequeñas, como comprensión, codificación, pruebas y depuración, lo que permite que la IA itere y mejore con el tiempo.

Sin embargo, cuando el equipo aplicó el Flujo de Trabajo Agente, que descompone la tarea en pasos más pequeños, como comprender el problema, escribir el código en partes, probar y corregir errores, GPT-3.5 obtuvo incluso mejores resultados que GPT-4. Ng señaló que GPT-4 también mostró resultados más sólidos al utilizar el Flujo de Trabajo Agente. Esto demuestra que al adoptar un enfoque paso a paso, los modelos de IA, especialmente los más antiguos, pueden superar a modelos más avanzados utilizando métodos tradicionales como la solicitud sin indicaciones.

Conclusión

A medida que la IA se convierte en una parte cada vez más importante de nuestras vidas y lugares de trabajo, es muy importante comprender las diferencias entre la IA Agente y la IA Generativa. La IA Generativa ha sido muy útil en tareas como la generación de texto, respondiendo a indicaciones generando texto o imágenes. Pero está limitada a seguir instrucciones sin una autonomía real. La IA Agente, por otro lado, es un paso adelante: puede establecer metas, tomar decisiones y adaptarse a situaciones cambiantes por sí misma, asumiendo tareas complejas sin una guía humana constante.

Al utilizar métodos como el Flujo de Trabajo Agente, los sistemas de IA pueden ser más efectivos, mejorando su rendimiento a través de pasos iterativos y aprendiendo de cada fase. Este cambio abre oportunidades para aplicaciones avanzadas y permite que incluso los modelos más antiguos evolucionen y se mantengan relevantes. En las próximas partes de esta serie, exploraremos cómo funciona la IA Agente en la práctica y su potencial para remodelar industrias y impulsar nuevas innovaciones.