Componentes del agente de inteligencia artificial

Completado

Los agentes de inteligencia artificial se crean a partir de un conjunto de componentes fundamentales que funcionan juntos para habilitar el comportamiento inteligente.

Arquitectura del agente

Aunque todos los agentes suelen compartir los siguientes componentes, la forma en que se implementan y enfatizan depende del propósito y la complejidad del agente.

• Modelo de base (LLM): el modelo de lenguaje grande (LLM) proporciona las capacidades generativas y de razonamiento. Permite la comprensión del lenguaje natural, la generación y la conciencia contextual.
• Orquestador: el orquestador coordina el comportamiento del agente y decide cuándo recuperar conocimientos, invocar aptitudes o escalar a un humano. Administra flujos de trabajo, memoria y lógica de decisión.
• Conocimiento: se refiere a la información que usa un agente para comprender su entorno y tomar decisiones. Esto incluye las instrucciones definidas para el agente y los datos de conexión a los que tiene acceso, incluidos los datos estructurados, el contenido no estructurado, los documentos, las bases de datos y las entradas en tiempo real. Los agentes usan este conocimiento para proporcionar respuestas y acciones contextualmente relevantes.
• Aptitudes y herramientas: estas son las acciones, funcionalidades y flujos de trabajo que el agente puede usar para realizar acciones como enviar mensajes, consultar bases de datos o desencadenar flujos de trabajo automatizados. Estos pueden incluir el envío de correos electrónicos, la recuperación de datos, la actualización de registros o el desencadenamiento de un proceso automatizado. Las aptitudes suelen estar vinculadas a API, servicios o herramientas de automatización a las que el agente puede llamar para completar tareas.
• Autonomía: esta es la lógica que guía cómo un agente interpreta la información y elige acciones. Incluye marcos de toma de decisiones, lógica basada en reglas, desencadenadores para funcionalidades autónomas y modelos de aprendizaje automático cada vez más eficaces que permiten a los agentes adaptarse y mejorar con el tiempo.

Reflexión:
Piense en un proceso o tarea que le gustaría automatizar. ¿Qué componentes personalizados (conocimientos, aptitudes, razonamiento) serían más importantes para permitir que un agente controlara correctamente ese proceso?

LLM frente a agentes de inteligencia artificial: ¿Cuál es la diferencia?

Los modelos de lenguaje grande (LLM) son el motor principal detrás de la inteligencia artificial generativa. Permiten a los agentes comprender y generar un lenguaje similar al humano, resumir contenido, traducir texto y mucho más.

Sin embargo, los LLM por sí solos no son agentes.

Los agentes de inteligencia artificial amplían la potencia de los LLM mediante la integración de componentes adicionales:

• Memoria para conservar el contexto entre interacciones.
• Aptitudes para realizar acciones en el mundo real.
• Razonamiento y orquestación para administrar flujos de trabajo complejos.
• Interfaces para interactuar con usuarios y sistemas.

En resumen: los LLM generan inteligencia. Los agentes aplican esa inteligencia para lograr los objetivos.

Funcionamiento de los agentes de inteligencia artificial

Este es el funcionamiento de un agente de inteligencia artificial típico:

• Entrada: un usuario hace una pregunta o inicia una tarea.
• Descripción: LLM interpreta la entrada, determina la intención y extrae la información pertinente.
• Planeamiento: el orquestador, a menudo con la ayuda del LLM, decide qué pasos debe seguir, como recuperar conocimientos, llamar a una aptitud o pedir aclaraciones.
• Acción: el agente realiza las acciones necesarias mediante sus aptitudes o herramientas, guiadas por el plan.
• Generación de respuestas: LLM genera una respuesta de lenguaje natural basada en los resultados de las acciones y el contexto actual.
• Comunicación: el agente entrega la respuesta al usuario a través de la interfaz elegida.
• Aprendizaje: el agente almacena el contexto o los comentarios pertinentes para mejorar las interacciones futuras.

Ejemplo:

Un empleado pregunta a un agente: "¿Cuál es la política de viajes de nuestra empresa y puede reservar un vuelo a Seattle para la próxima semana?"

• El agente recupera la directiva de viaje de empresa más reciente de la documentación interna o de un knowledge base, utilizando su comprensión de las directrices de la organización y los roles de empleado.
• A continuación, llama a una API de reserva de vuelos externos para buscar vuelos disponibles a Seattle que cumplan con la política de viajes de la compañía (por ejemplo, aerolíneas preferidas, límites presupuestados, requisitos de aprobación).
• El agente responde al empleado con un resumen de la política de viaje pertinente, las opciones de vuelo propuestas y la confirmación de que la solicitud de reserva se ha iniciado o completado todo en lenguaje natural.

Agentes autónomos

Los agentes autónomos operan con mayor independencia, a menudo persiguiendo objetivos en varios pasos o sesiones con una intervención humana mínima. Un elemento clave de los agentes autónomos es su capacidad de responder a eventos desencadenadores o cambios en los datos que solicitan al agente que actúe sin la entrada directa del usuario. Los desencadenadores pueden incluir horas programadas, actualizaciones de datos, eventos externos del sistema o cambios en el contexto del usuario.

Su flujo de trabajo suele tener este aspecto:

• Configuración del objetivo: el agente recibe un objetivo de alto nivel (de un usuario o sistema).
• Supervisión de desencadenadores: el agente supervisa continuamente los desencadenadores pertinentes, como fechas límite, cambios de datos o eventos externos que pueden requerir acción.
• Planeamiento automático: al detectar un desencadenador o recibir un objetivo, el agente desglosa de forma autónoma el objetivo en subtamenes y crea un plan, a menudo refinándolo iterativamente.
• Acción iterativa: el agente ejecuta acciones, supervisa los resultados y adapta su plan según sea necesario potencialmente en bucle a través del planeamiento y la acción varias veces. Estas acciones pueden implicar la activación de flujos de trabajo, la combinación de la eficacia del comportamiento autónomo con flujos de trabajo deterministas automatizados.
• Autoevaluación: el agente evalúa el progreso hacia el objetivo y decide si desea continuar, ajustar su enfoque o declarar la finalización.
• Informes o comunicaciones: el agente resume los resultados o solicita la entrada solo cuando sea necesario.
• Aprendizaje continuo: el agente actualiza su memoria y sus estrategias en función de los resultados para mejorar la autonomía futura.

Los agentes autónomos enfatizan el planeamiento autodirigida, la ejecución basada en desencadenadores y la dependencia mínima de la entrada del usuario paso a paso, lo que les permite controlar tareas más complejas y de varios pasos.

Ejemplo:

Una organización financiera usa un agente de corrección fiscal creado con flujos de agente Copilot Studio.

• El agente supervisa continuamente los datos financieros en busca de anomalías que puedan indicar la necesidad de una auditoría.
• Cuando se detecta una anomalía, desencadena de forma autónoma un flujo de trabajo de auditoría estructurado, recopilando los documentos necesarios y resumiendo los resultados clave.
• A continuación, el agente enruta los resultados de la auditoría a los revisores humanos adecuados para su aprobación, lo que garantiza el cumplimiento y la transparencia.
• A lo largo del proceso, el agente adapta sus acciones en función de nuevos datos o comentarios, combinando la toma de decisiones autónoma con flujos de trabajo deterministas para mantener tanto la flexibilidad como el cumplimiento normativo.

Este ciclo controlado por desencadenadores permite a los agentes operar en entornos dinámicos, adaptarse a las necesidades del usuario y ofrecer resultados cada vez más personalizados y eficaces.

Creación de agentes de inteligencia artificial

La creación de agentes de inteligencia artificial puede requerir una combinación de tecnologías básicas, infraestructura y herramientas de desarrollo.

• Modelos de base (LLM): para la comprensión, el razonamiento y la generación del lenguaje natural.
• Nivel de orquestación: para administrar el planeamiento, la toma de decisiones y la coordinación de las acciones.
• Aptitudes y herramientas: una biblioteca de API, complementos y servicios que el agente puede invocar para completar tareas.
• Memoria y almacén de contexto: para conservar la memoria a corto y largo plazo, lo que permite la personalización y la continuidad.
• Infraestructura de datos: acceso seguro y escalable a orígenes de datos estructurados y no estructurados.
• Seguridad y gobernanza: administración de identidades, control de acceso y supervisión de cumplimiento.
• Entorno de implementación: infraestructura nativa de la nube (por ejemplo, Azure Kubernetes Service, Azure Functions) para hospedar y escalar el agente.

Sin embargo, el nivel de desarrollo necesario en estas capas de la pila de inteligencia artificial puede variar significativamente en función del propósito y la complejidad del agente. Para escenarios de recuperación y agente basado en tareas, es posible que solo tenga que agregar conocimientos, aptitudes e instrucciones al tiempo que aprovecha la infraestructura existente para el resto de la pila (por ejemplo, crear un agente que extienda Microsoft 365 Copilot). Para escenarios más avanzados y complejos, puede personalizar completamente la solución, incluidos los modelos personalizados, la orquestación, la lógica, las acciones, la seguridad y la gobernanza.

Soluciones del agente de inteligencia artificial de Microsoft

Microsoft ofrece una variedad de herramientas y soluciones para potenciar el recorrido de transformación de la inteligencia artificial, tanto si desea crear una solución con una pila de inteligencia artificial totalmente personalizada, como aprovechar los componentes existentes junto con los datos empresariales, las API y la lógica de negocios.

• Adoptar: Microsoft 365 Copilot, Copilot Chat y una gama de agentes de primera parte ofrecen funcionalidades eficaces para admitir la productividad con tecnología de inteligencia artificial inmediatamente, proporcionadas con controles de seguridad y gobernanza integrados.
• Ampliar: Microsoft 365 Copilot se puede ampliar con agentes que aprovechan el modelo, el orquestador y la interfaz de usuario de Copilot, pero que se adaptan a la lógica de negocios, los datos y los sistemas personalizados para la automatización de procesos empresariales.
• Compilación: una variedad de herramientas y servicios de Microsoft, incluidos Copilot Studio, Microsoft 365 Agents Toolkit, Microsoft Foundry, etc., se pueden usar para crear agentes personalizados y aplicaciones de inteligencia artificial generativa comercial para escenarios más avanzados o complejos.

Microsoft proporciona las mejores soluciones para los agentes de inteligencia artificial que se pueden usar a lo largo de este espectro, entre las que se incluyen:

• Microsoft 365 Copilot y la versión lite de Copilot Studio: los usuarios empresariales pueden desarrollar agentes de inteligencia artificial mediante lenguaje natural en una interfaz sin código.
• Copilot Studio (completo): los creadores pueden usar una interfaz de código bajo para crear agentes de inteligencia artificial personalizados y ampliar Microsoft 365 Copilot.
• Visual Studio,GitHub/Microsoft Foundry: los desarrolladores pueden usar estas herramientas pro-código junto con SDK, marcos y servicios como Microsoft Agent Framework, Foundry Agent Service, SDK de agentes de Microsoft 365 y Microsoft 365 Agents Toolkit para diseñar, compilar, personalizar, publicar y administrar soluciones de agentes de inteligencia artificial de nivel empresarial.