Notice: Undefined index: uniqueId in /home/planetac/public_html/wp-content/plugins/generateblocks/includes/blocks/class-container.php on line 1004
La primera oleada trajo consigo un acceso sin precedentes a los datos, democratizando el acceso al conocimiento. Ahora estamos entrando en una era de datos altamente personalizados y contextualizados, adaptados a cada usuario, una audiencia de uno.
Hemos ido más allá de la simple búsqueda y ahora sintetizamos datos de diversas fuentes a través de sistemas que comprenden, procesan y actúan sobre la información de formas que imitan la cognición humana.
La antigua búsqueda ofrecía URLs y dejaba al usuario la tarea de seleccionar las URLs, filtrando el contenido patrocinado y el contenido pobre con buen SEO. La Búsqueda 2.0 tiene una búsqueda más amplia, conserva y sintetiza varias fuentes de datos basadas en el formato de datos definido por el usuario.
Tabla de contenidos
Agentes de IA y cómo afloran los datos
Así pues, los Agentes de IA se han convertido en el nuevo vehículo a través del cual se suministran los sistemas de búsqueda y recomendación, ofreciendo una integración perfecta de percepción, control, toma de decisiones y acción.
Como se ilustra en marcos recientes, los Agentes de IA operan a través de módulos centrales que permiten su funcionalidad.
Las recomendaciones y las clasificaciones de búsqueda han evolucionado con la búsqueda y el comercio móviles, impulsados por la tecnología y las necesidades de los usuarios.
La imagen de arriba muestra el papel de un agente de IA en un sistema de recomendación (RS), destacando su posición central en la gestión de las interacciones y la optimización de las recomendaciones.
Muestra cuatro componentes clave:
- Interacción con el usuario
- Optimización de la representación
- Entorno de simulación
- Integración del sistema
La interacción con el usuario hace hincapié en el papel del agente de IA como intermediario para mejorar la comunicación entre los usuarios y la RS, mejorando la interactividad.
La Optimización de la Representación se centra en la capacidad del Agente de la IA para refinar las representaciones del usuario y de los objetos, mejorando la comprensión y la personalización del sistema.
La imagen siguiente pone de relieve la interacción central del agente de IA con varios componentes.
Presenta un Sistema de Búsqueda que puede apuntalar un Agente de IA, incluyendo procesos de Match, Rank y Re-Rank.
Las cinco funciones clave son:
- Descomponedor de tareas
- Simulador de usuario
- Reescritor de consultas
- Síntesis de resultados
- Ejecutor de acciones
El descomponedor de tareas descompone las tareas de búsqueda complejas en subtareas para mejorar la eficacia y la precisión generales.
El Simulador de Usuario actúa como un proxy para simular las interacciones del usuario y proporcionar información para la mejora o evaluación del sistema.
El Reescritor de Consultas refina las consultas del usuario para garantizar resultados de búsqueda más claros y precisos, mientras que la Síntesis de Resultados resume el texto relevante para ayudar a los usuarios en la toma de decisiones.
El ejecutor de acciones permite al agente interactuar con herramientas e interfaces de aplicaciones, recopilando la información necesaria para optimizar los resultados de la búsqueda.
Planificación
Todos sabemos que los Agentes de Inteligencia Artificial utilizan uno o más Modelos de Lenguaje Extensos (LLMs) como columna vertebral, lo que combinado con el uso de un LLM en un marco agentico ha demostrado una capacidad impresionante en la descomposición y planificación de tareas complejas, la base de la autonomía.
El componente de planificación de los agentes de IA se ha extraído y utilizado de forma aislada, dando lugar a la noción de flujos de trabajo agenéticos con supervisión humana. Y el humano actúa como guardián para editar, aceptar o rechazar los sub-pasos que constituyen la planificación del Agente de IA.
El siguiente gráfico ofrece una visión clara y organizada de la investigación sobre la planificación de agentes basada en LLM, centrándose en los esfuerzos recientes por mejorar las capacidades de planificación.
Agrupa los estudios existentes en cinco categorías:
- Descomposición de tareas
- Selección de planes
- Módulo externo
- Reflexión
- Memoria
Los agentes de IA son sistemas inteligentes capaces de realizar tareas específicas observando su entorno, planificando y actuando. La planificación es una capacidad clave de los agentes de IA, que requiere un profundo conocimiento y capacidad de razonamiento y toma de decisiones.
Sígueme en LinkedIn
Chief Evangelist @ Kore.ai | Me apasiona explorar la intersección de la IA y el lenguaje. Desde modelos lingüísticos y agentes de IA hasta aplicaciones agenéticas, marcos de desarrollo y herramientas de productividad centradas en los datos, comparto ideas sobre cómo estas tecnologías están dando forma al futuro.