Agente inteligente

En inteligencia artificial , un agente inteligente es una entidad que percibe su entorno , actúa de forma autónoma para alcanzar objetivos y puede mejorar su rendimiento mediante el aprendizaje automático o la adquisición de conocimiento . Los libros de texto sobre IA definen la inteligencia artificial como el "estudio y diseño de agentes inteligentes", haciendo hincapié en que el comportamiento orientado a objetivos es fundamental para la inteligencia.

Un subconjunto especializado de agentes inteligentes, la IA agenteica (también conocida como agente de IA o simplemente agente), amplía este concepto al perseguir objetivos de forma proactiva, tomar decisiones y realizar acciones durante períodos prolongados.

Los agentes inteligentes pueden variar desde simples hasta altamente complejos. Un termostato básico o un sistema de control se considera un agente inteligente, al igual que un ser humano o cualquier otro sistema que cumpla con los mismos criterios, como una empresa , un estado o un bioma . ^{[ 1 ]}

Los agentes inteligentes operan en función de una función objetivo, que engloba sus metas. Están diseñados para crear y ejecutar planes que maximicen el valor esperado de esta función al finalizar. ^{[ 2 ]} Por ejemplo, un agente de aprendizaje por refuerzo tiene una función de recompensa, que permite a los programadores moldear su comportamiento deseado. ^{[ 3 ]} De manera similar, el comportamiento de un algoritmo evolutivo se guía por una función de aptitud. ^{[ 4 ]}

Los agentes inteligentes en inteligencia artificial están estrechamente relacionados con los agentes en economía , y se estudian versiones del paradigma del agente inteligente en la ciencia cognitiva , la ética y la filosofía de la razón práctica , así como en muchos modelos sociocognitivos interdisciplinarios y simulaciones sociales por computadora .

Los agentes inteligentes suelen describirse esquemáticamente como sistemas funcionales abstractos similares a los programas informáticos ^{[ 5 ]} . Para distinguir los modelos teóricos de las implementaciones en el mundo real, las descripciones abstractas de los agentes inteligentes se denominan agentes inteligentes abstractos. Los agentes inteligentes también están estrechamente relacionados con los agentes de software : programas informáticos autónomos que realizan tareas en nombre de los usuarios. También se les denomina, utilizando un término tomado de la economía , « agente racional » ^{[ 1 ]} .

El concepto de agentes inteligentes proporciona una perspectiva fundamental para definir y comprender la inteligencia artificial. Por ejemplo, el influyente libro de texto Inteligencia artificial: un enfoque moderno (Russell y Norvig) describe:

• Agente: Cualquier cosa que perciba su entorno (mediante sensores) y actúe sobre él (mediante actuadores). Por ejemplo, un robot con cámaras y ruedas, o un programa informático que lee datos y formula recomendaciones.
• Agente racional: Un agente que se esfuerza por lograr el *mejor resultado posible* basándose en su conocimiento y experiencias pasadas. "Mejor" se define mediante una medida de rendimiento , una forma de evaluar el desempeño del agente.
• Inteligencia Artificial (como campo de estudio): El estudio y la creación de estos agentes racionales.

Otros investigadores y definiciones se basan en este fundamento. Padgham y Winikoff destacan que los agentes inteligentes deben reaccionar a los cambios en su entorno de manera oportuna, perseguir objetivos de forma proactiva y ser flexibles y robustos (capaces de manejar situaciones inesperadas). Algunos también sugieren que los agentes ideales deben ser "racionales" en el sentido económico (tomando decisiones óptimas) y capaces de razonamiento complejo, como tener creencias, deseos e intenciones ( modelo BDI ). Kaplan y Haenlein ofrecen una definición similar, centrándose en la capacidad de un sistema para comprender datos externos, aprender de ellos y utilizar lo aprendido para lograr objetivos mediante una adaptación flexible.

Definir la IA en términos de agentes inteligentes ofrece varias ventajas clave:

• Evita los debates filosóficos: elude las discusiones sobre si la IA es "verdaderamente" inteligente o consciente, como las que suscitaron la prueba de Turing o el experimento de la habitación china de Searle . Se centra en el comportamiento y el logro de objetivos , no en la replicación del pensamiento humano.
• Pruebas objetivas: Proporcionan una forma clara y científica de evaluar los sistemas de IA. Los investigadores pueden comparar diferentes enfoques midiendo su eficacia para maximizar una función objetivo específica. Esto permite la comparación directa y la combinación de técnicas.
• Comunicación interdisciplinaria: Crea un lenguaje común para que los investigadores de IA colaboren con otros campos como la optimización matemática y la economía , que también utilizan conceptos como "objetivos" y "agentes racionales".

Una función objetivo (o función de meta ) especifica los objetivos de un agente inteligente. Se considera que un agente es más inteligente si selecciona consistentemente acciones que producen resultados mejor alineados con su función objetivo. En efecto, la función objetivo sirve como medida de éxito.

La función objetivo puede ser:

• Sencillo: por ejemplo, en una partida de Go , la función objetivo podría asignar un valor de 1 para una victoria y 0 para una derrota.
• Complejo: Puede requerir que el agente evalúe y aprenda de acciones pasadas, adaptando su comportamiento en función de patrones que hayan demostrado ser efectivos.

La función objetivo engloba todos los objetivos que el agente está diseñado para alcanzar. En el caso de agentes racionales, también incorpora las compensaciones entre objetivos potencialmente conflictivos. Por ejemplo, la función objetivo de un coche autónomo podría equilibrar factores como la seguridad, la velocidad y la comodidad de los pasajeros.

Se utilizan diferentes términos para describir este concepto, dependiendo del contexto. Estos incluyen:

• Función de utilidad: Se utiliza frecuentemente en economía y teoría de la decisión para representar la conveniencia de un estado.
• Función objetivo: Un término general utilizado en optimización.
• Función de pérdida: Se utiliza normalmente en el aprendizaje automático, donde el objetivo es minimizar la pérdida (error).
• Función de recompensa: Se utiliza en el aprendizaje por refuerzo .
• Función de aptitud: Se utiliza en sistemas evolutivos .

Los objetivos, y por lo tanto la función objetivo, pueden ser:

• Definido explícitamente: Programado directamente en el agente.
• Inducido: Aprendido o evolucionado con el tiempo.
  • En el aprendizaje por refuerzo , una "función de recompensa" proporciona retroalimentación, fomentando los comportamientos deseados y desalentando los indeseables. El agente aprende a maximizar su recompensa acumulada.
  • En los sistemas evolutivos , una "función de aptitud" determina qué agentes tienen mayor probabilidad de reproducirse. Esto es análogo a la selección natural, donde los organismos evolucionan para maximizar sus posibilidades de supervivencia y reproducción. ^{[ 6 ]}

Algunos sistemas de IA, como el de vecino más cercano , razonan por analogía en lugar de estar explícitamente orientados a objetivos. Sin embargo, incluso estos sistemas pueden tener objetivos definidos implícitamente dentro de sus datos de entrenamiento. ^{[ 7 ]} Dichos sistemas aún pueden evaluarse al considerar que el sistema sin objetivos es aquel cuyo "objetivo" es lograr su tarea de clasificación específica. ^{[ 8 ]}

Los sistemas que tradicionalmente no se consideran agentes, como los sistemas de representación del conocimiento , a veces se incluyen en el paradigma al enmarcarlos como agentes con el objetivo de, por ejemplo, responder preguntas con precisión. Aquí, el concepto de "acción" se extiende para abarcar el "acto" de proporcionar una respuesta. Como extensión adicional, los sistemas impulsados ​​por la imitación pueden enmarcarse como agentes que optimizan una "función objetivo" en función de cuán fielmente imitan el agente el comportamiento deseado. ^{[ 2 ]} En las redes generativas antagónicas (GAN) de la década de 2010, un componente "codificador"/"generador" intenta imitar e improvisar la composición de texto humano. El generador intenta maximizar una función que representa cuán bien puede engañar a un componente "predictor"/"discriminador" antagónico. ^{[ 9 ]}

Si bien los sistemas de IA simbólica suelen usar una función objetivo explícita, el paradigma también se aplica a las redes neuronales y la computación evolutiva . El aprendizaje por refuerzo puede generar agentes inteligentes que parecen actuar de maneras destinadas a maximizar una "función de recompensa". ^{[ 10 ]} A veces, en lugar de establecer la función de recompensa directamente igual a la función de evaluación de referencia deseada, los programadores de aprendizaje automático usan la conformación de recompensas para dar inicialmente a la máquina recompensas por el progreso incremental. ^{[ 11 ]} Yann LeCun afirmó en 2018: "La mayoría de los algoritmos de aprendizaje que se han ideado consisten esencialmente en minimizar alguna función objetivo". ^{[ 12 ]} El ajedrez AlphaZero tenía una función objetivo simple: +1 punto por cada victoria y -1 punto por cada derrota. La función objetivo de un coche autónomo sería más compleja. ^{[ 13 ]} La computación evolutiva puede desarrollar agentes inteligentes que parecen actuar de maneras destinadas a maximizar una "función de aptitud" que influye en cuántos descendientes se le permite dejar a cada agente. ^{[ 4 ]}

El formalismo matemático de AIXI se propuso como un agente de máxima inteligencia en este paradigma. ^{[ 14 ]} Sin embargo, AIXI es incomputable . En el mundo real, un agente inteligente está limitado por el tiempo y los recursos de hardware finitos, y los científicos compiten para producir algoritmos que logren puntuaciones cada vez más altas en pruebas de referencia con el hardware existente. ^{[ 15 ]}

El comportamiento de un agente inteligente puede describirse matemáticamente mediante una función de agente . Esta función determina lo que hace el agente en función de lo que ha visto .

Una percepción se refiere a las entradas sensoriales del agente en un momento específico. Por ejemplo, las percepciones de un coche autónomo podrían incluir imágenes de la cámara, datos lidar, coordenadas GPS y lecturas de velocidad en un instante determinado. El agente utiliza estas percepciones, y potencialmente su historial de percepciones, para decidir su siguiente acción (por ejemplo, acelerar, frenar, girar).

La función del agente, a menudo denotada como f , asigna todo el historial de percepciones del agente a una acción . ^{[ 16 ]}

Matemáticamente, esto se puede representar como

${\displaystyle f\colon P^{*}\rightarrow A,}$

dónde:

• ${\displaystyle {\boldsymbol {P^{*}}}}$representa el conjunto de todas las secuencias de percepción posibles (el historial perceptivo completo del agente). El asterisco (*) indica una secuencia de cero o más percepciones.
• ${\displaystyle {\boldsymbol {A}}}$representa el conjunto de todas las acciones posibles que el agente puede realizar.
• ${\displaystyle {\boldsymbol {f}}}$es la función del agente que asigna una secuencia de percepciones a una acción.

Es fundamental distinguir entre la función del agente (un concepto matemático abstracto) y el programa del agente (la implementación concreta de esa función).

• La función del agente es una descripción teórica.
• El programa agente es el código que se ejecuta en el agente. Este programa recibe la percepción actual como entrada y produce una acción como salida.

La función del agente puede incorporar una amplia gama de enfoques de toma de decisiones, entre los que se incluyen: ^{[ 17 ]}

• Calcular la utilidad (conveniencia) de diferentes acciones.
• Utilizando reglas lógicas y deducción.
• Empleando lógica difusa.
• Otros métodos.

Los agentes inteligentes pueden organizarse jerárquicamente en múltiples "subagentes". Estos subagentes se encargan de funciones de nivel inferior y, junto con el agente principal, forman un sistema completo capaz de ejecutar tareas complejas y alcanzar objetivos ambiciosos.

Normalmente, un agente se estructura dividiéndolo en sensores y actuadores. El sistema de percepción recopila información del entorno a través de los sensores y la envía a un controlador central, que luego emite comandos a los actuadores. A menudo, se requiere una jerarquía de controladores de varias capas para equilibrar las respuestas rápidas necesarias para tareas de bajo nivel con el razonamiento más deliberativo requerido para objetivos de alto nivel. ^{[ 25 ]}

El término «agente inteligente» también se usa a menudo de forma vaga, a veces como sinónimo de « asistente personal virtual ». ^{[ 26 ]} Algunas definiciones del siglo XX caracterizan a un agente como un programa que ayuda a un usuario o que actúa en nombre de un usuario. ^{[ 27 ]} Estos ejemplos se conocen como agentes de software , y a veces a un «agente de software inteligente» (es decir, un agente de software con inteligencia) se le denomina «agente inteligente».

Según Nikola Kasabov en 1998, los sistemas de agentes inteligentes deberían exhibir las siguientes características: ^{[ 28 ]}

• Adaptar gradualmente las nuevas reglas de resolución de problemas .
• Adáptate en línea y en tiempo real .
• Son capaces de analizarse a sí mismos en términos de comportamiento, errores y éxitos.
• Aprender y mejorar mediante la interacción con el entorno ( encarnación ).
• Aprende rápidamente a partir de grandes cantidades de datos .
• Disponer de capacidades de almacenamiento y recuperación de ejemplos basadas en memoria .
• Disponer de parámetros para representar la memoria a corto y largo plazo, la edad, el olvido, etc.

El concepto de modelado basado en agentes para coches autónomos se discutió ya en 2003. ^{[ 49 ]} Hallerbach et al. exploraron el uso de enfoques basados ​​en agentes para desarrollar y validar sistemas de conducción automatizada. Su método implicaba un gemelo digital del vehículo bajo prueba y simulaciones de tráfico microscópicas utilizando agentes independientes. ^{[ 50 ]} Waymo desarrolló un entorno de simulación multiagente llamado Carcraft, para probar algoritmos para coches autónomos . ^{[ 51 ] [ 52 ]} Este sistema simula interacciones entre conductores humanos, peatones y vehículos automatizados. Los agentes artificiales replican el comportamiento humano utilizando datos del mundo real.

Agentforce de Salesforce es una plataforma de IA basada en agentes que permite la creación de agentes autónomos para realizar tareas. ^{[ 53 ] [ 54 ]}

La Administración de Seguridad del Transporte está integrando la IA automatizada en nuevas tecnologías, incluyendo máquinas para autenticar la identidad de los pasajeros mediante datos biométricos y fotografías, y también para la respuesta a incidentes. ^{[ 55 ]}

En marzo de 2026, Amazon Web Services lanzó Amazon Connect Health, su primera plataforma de agentes de IA compatible con HIPAA para el sector sanitario, diseñada para automatizar los flujos de trabajo administrativos, incluyendo la programación de citas, la documentación clínica y la verificación de pacientes para los proveedores de atención médica. ^{[ 56 ]}

• Domingos, Pedro (22 de septiembre de 2015). El algoritmo maestro: Cómo la búsqueda de la máquina de aprendizaje definitiva transformará nuestro mundo . Basic Books . ISBN 978-0-465-06570-7.
• Russell, Stuart J.; Norvig , Peter (2003). Inteligencia artificial: un enfoque moderno (2.ª  ed.). Upper Saddle River, Nueva Jersey: Prentice Hall. Capítulo 2. ISBN 0-13-790395-2.
• Kasabov, N. (1998). "Introducción: Sistemas adaptativos inteligentes híbridos" . International Journal of Intelligent Systems . 13 (6): 453– 454. doi : 10.1002/(SICI)1098-111X(199806)13:6 < 453::AID-INT1 > 3.0.CO ; 2-K . S2CID 120318478 . 
• Weiss, G. (2013). Sistemas multiagente (2.ª  ed.). Cambridge, MA: MIT Press. ISBN 978-0-262-01889-0.