Por qué la mayoría de los agentes son solo diagramas de flujo disfrazados, y qué debería construirse en su lugar. Escribí la mayor parte de esto en un aeropuerto hace varios meses y luego lo dejé en borradores. El ruido solo ha aumentado desde entonces, así que aquí está.
Hace unos meses, en nuestro camino de regreso de un taller con un cliente, estábamos discutiendo el alcance de qué constituye la IA agéntica, y cada uno de nosotros citó ejemplos de nuestra experiencia. Hubo una discusión sobre por qué la automatización no puede resolverlo y cómo la mayoría de los casos de uso de IA agéntica no son más que automatización glorificada. La pregunta era: “Dame un caso de uso real para un agente.
No una demostración. No automatización. Uno real.
Porque todo lo que he visto hasta ahora, podría haberlo construido con un motor de flujo de trabajo y una llamada a un modelo.” Todos habíamos estado en conversaciones sobre IA agéntica durante meses en ese momento. Habíamos diseñado estos sistemas. Los habíamos presentado.
Y aún así, sentado allí con un té y veinte minutos a mano para pasar, tuvimos que pensar lo suficiente para dar un ejemplo que sobreviviera a treinta segundos de escrutinio. Eso me molestó lo suficiente como para escribirlo. La prueba que primero se me ocurrió Mi instinto fue definir la IA agéntica por la forma del trabajo. ¿Requiere la tarea que el sistema tome decisiones durante la ejecución que no pudieran haberse anticipado al inicio? Si es así, es un agente.
Si no, es automatización. Pensé en un ejemplo de mantenimiento de aviación, porque es donde pasé los últimos seis meses. Un avión A320 aterriza con una advertencia ECAM, FALLA DE AIRE Acondicionado 1.
Lo que hace la automatización: activa una lista de verificación, notifica al ingeniero de guardia, quizás saca la referencia del MEL. Listo. Lo que hace el aprendizaje automático tradicional: predice la probabilidad de falla de un componente a partir de patrones históricos de fallas, produce una puntuación de confianza.
El ingeniero aún decide. Lo que creo que haría un agente: comenzaría con el mensaje ECAM (un mensaje en los sistemas de la cabina del avión), consultaría el CFDS (sistema centralizado de visualización de fallas) para obtener el historial de fallas y encontraría que el Paquete 1 ha lanzado la misma falla tres veces en seis semanas. Eso cambia el panorama, así que extraería el TSM (manual de solución de problemas), identificaría cuatro causas raíz candidatas.
Luego consultaría AMOS (una base de datos utilizada en aviación en todo el mundo) para ver las piezas disponibles y encontraría que dos de esas cuatro necesitan una Válvula de Control de Flujo, que no está en esa estación. Luego verificaría qué causas son diferibles bajo el MEL (lista mínima de equipos, lo mínimo que un avión necesita tener para ser apto para volar), encontraría una que es diferible bajo la Categoría C (una de muchas categorías) por diez días, miraría las próximas diez rotaciones del avión para entender el costo operativo de diferir, y redactaría una recomendación: diferir bajo la Categoría C, ordenar la Válvula de Control de Flujo (FCV) para que llegue antes del día ocho, y marcar para una inspección profunda en el próximo espacio de mantenimiento de base. Nadie programó previamente ese árbol de decisiones.
El plan surgió del proceso en lugar de precederlo. Todavía no me convencí a mí mismo. Y al reflexionar, creo que tenía razón.
Por qué ese ejemplo falla Porque puedes dibujar ese diagrama de flujo. CFDS, luego TSM, luego AMOS, luego MEL, luego rotaciones. Es un diagrama de flujo complicado con ramas, pero un ingeniero competente podría haberlo especificado de antemano.
La complejidad no es lo mismo que la apertura. Un árbol con doscientas ramas sigue siendo un árbol. Este es el error que casi todas las presentaciones de inversión de IA agéntica cometen, incluida la mía.
Mostramos algo intrincado y esperamos que la intricadez sea evidentemente agéntica. No lo es. La intricadez es solo un diagrama de flujo más grande, y los diagramas de flujo ya tienen una tecnología, y es más barata, más rápida y mucho más confiable que cualquier LLM que pongas en ese espacio.
Entonces, ¿dónde está la línea real? Desconocidos conocidos versus desconocidos desconocidos Aquí está la distinción que he establecido, y es más estrecha de lo que la mayoría de las personas en este mercado están dispuestas a admitir. La automatización maneja desconocidos conocidos. No sabes si la pieza está en stock, pero sabes que el stock es algo que necesitas verificar.
Los agentes manejan desconocidos desconocidos. No sabes qué necesitas verificar, y solo lo descubrirás al mirar. Toma un u...
Fuente: Towards Data Science · Resumido por HeadlinesBriefing