Agentes de IA
Sistemas autónomos que perciben, razonan y actúan para lograr objetivos.
A diferencia de los modelos de IA estándar (como un chatbot que solo responde cuando se le habla), los agentes de IA están orientados a objetivos y son autónomos. Operan en bucles: Observar -> Pensar -> Actuar. Se le puede dar a un agente un objetivo de alto nivel (por ejemplo, 'Reserva un vuelo a Londres por menos de $500'), y él determinará de forma independiente los pasos: comprobar fechas, comparar precios y navegar por sitios web, adaptando su presupuesto si encuentra errores.
graph LR
Center["Agentes de IA"]:::main
Pre_artificial_intelligence["artificial-intelligence"]:::pre --> Center
click Pre_artificial_intelligence "/terms/artificial-intelligence"
Pre_reinforcement_learning["reinforcement-learning"]:::pre --> Center
click Pre_reinforcement_learning "/terms/reinforcement-learning"
Pre_large_language_model["large-language-model"]:::pre --> Center
click Pre_large_language_model "/terms/large-language-model"
Rel_automation["automation"]:::related -.-> Center
click Rel_automation "/terms/automation"
Rel_agentic_ai["agentic-ai"]:::related -.-> Center
click Rel_agentic_ai "/terms/agentic-ai"
Rel_generative_ai_agents["generative-ai-agents"]:::related -.-> Center
click Rel_generative_ai_agents "/terms/generative-ai-agents"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧠 Prueba de conocimiento
🧒 Explícalo como si tuviera 5 años
🤖 Los agentes de IA son como ayudantes superinteligentes que pueden ver, pensar y hacer cosas por sí mismos para completar tareas.
🤓 Expert Deep Dive
## Análisis Técnico de "Agentes de IA"
Los agentes de IA representan sistemas computacionales sofisticados diseñados para la operación autónoma. En su núcleo, integran tres subsistemas críticos: Percepción, Razonamiento y Acción.
El Subsistema de Percepción es responsable de la detección e interpretación del entorno. Aprovecha una diversa gama de sensores, incluyendo cámaras, LiDAR, micrófonos e interfaces digitales como APIs y bases de datos. Las modalidades de datos abarcan imágenes, audio, texto y formatos estructurados. Los datos brutos del sensor se someten a un riguroso preprocesamiento y extracción de características, empleando técnicas como incrustaciones de aprendizaje profundo, detección de objetos y voz a texto, para generar una representación interna robusta del estado. Esta representación puede ser simbólica, sub-symbolic o probabilística, permitiendo la modelización del entorno y la estimación del estado, incorporando potencialmente conceptos avanzados como Localización y Mapeo Simultáneos (SLAM) para agentes que operan en entornos dinámicos.
El Subsistema de Razonamiento constituye el motor cognitivo del agente, procesando entradas perceptuales, conocimiento interno y objetivos definidos para determinar acciones óptimas. Esto implica marcos de toma de decisiones sofisticados, que van desde sistemas basados en reglas y Máquinas de Estados Finitos hasta modelos probabilísticos avanzados como Procesos de Decisión de Markov (MDP) y MDP Parcialmente Observables (POMDP). A menudo se emplean algoritmos de planificación como A* y Búsqueda en Árbol de Monte Carlo (MCTS), junto con varios paradigmas de Aprendizaje por Refuerzo (RL) (basados en valor, basados en políticas, basados en modelos) para aprender comportamientos óptimos. Las técnicas de Representación del Conocimiento y Razonamiento (KRR), incluidos los grafos de conocimiento y las ontologías, facilitan el acceso estructurado al conocimiento y la inferencia lógica.
El Subsistema de Acción traduce las decisiones razonadas en interacciones tangibles con el entorno. Esto se logra a través de una variedad de actuadores e interfaces, que abarcan mecanismos físicos como manipuladores robóticos y medios digitales como llamadas a API y automatización de GUI. El espacio de acción puede ser discreto o continuo, requiriendo una secuenciación de acciones sofisticada y, para agentes físicos, generación de trayectorias. Los mecanismos de control de circuito cerrado, que utilizan bucles de retroalimentación y protocolos de detección y recuperación de errores, garantizan la ejecución precisa y robusta de las acciones, adaptándose a los cambios ambientales en tiempo real.
Las arquitecturas de los agentes pueden variar desde diseños modulares, que permiten la especialización de componentes, hasta sistemas de extremo a extremo. El nivel de autonomía, robustez y explicabilidad son consideraciones clave de diseño, junto con las interacciones potenciales dentro de Sistemas Multi-Agente (MAS), que requieren protocolos de coordinación, comunicación y negociación.