En noviembre de 2016, tres colegas y yo, en IBM, presentamos una solicitud de patente titulada «Análisis en tiempo real de una actuación musical mediante analítica» (publicada como US 2018/0137425 A1). El escenario era un concierto de rock: el instrumento de un guitarrista lleva un sensor integrado, unas cámaras leen las expresiones faciales y el lenguaje corporal del público, y los aficionados envían me gusta y no me gusta desde sus teléfonos. Un sistema fusiona todo esto en tiempo real en un único juicio sobre si la actuación va bien, y alerta al intérprete mientras aún hay tiempo para corregirla. En una realización, un LED en el mástil de la guitarra muestra verde cuando se toca correctamente, amarillo cuando el tempo vacila y rojo ante una nota equivocada. Llamamos al núcleo un «motor de analítica de inteligencia artificial», porque ese era el vocabulario que teníamos en 2016.
Diez años después, diseño arquitecturas de datos para sistemas de IA agéntica en producción. Al releer la patente, me llamó la atención lo mucho que se parece a la anatomía de un agente de IA: percepción multimodal, agregación de contexto, inferencia basada en memoria episódica y semántica, una función de evaluación y actuación a través de un humano en el bucle, todo ello bajo una estricta restricción de tiempo real. No teníamos el lenguaje para describirlo, pero sí teníamos el bucle.
La especificación tiene siete partes. La percepción opera en tres modalidades: los sensores de los instrumentos informan del tiempo, la altura, la afinación y el volumen; las cámaras captan señales involuntarias del público; y una vía de red transporta la retroalimentación deliberada, como valoraciones y comentarios. Un agregador de retroalimentación etiqueta, ordena y reformatea estas entradas, algo que hoy se llamaría ingeniería de contexto. Después, el motor de analítica infiere las características de la actuación, apoyado en un repositorio de actuaciones pasadas archivadas y en una base de conocimiento que dota de significado semántico a la retroalimentación.
La correspondencia no es perfecta. El diseño acertó con la estructura de los agentes, pero pasó por alto otros problemas, y esas carencias siguen enseñando lecciones útiles a quienes construyen agentes hoy.
Fuente: Towards Data Science · Resumido por HeadlinesBriefing