Modelos de IA 2

¿Cuál de las siguientes definiciones describe mejor lo que es un agente de IA?. Un sistema que percibe su entorno, razona sobre lo percibido y actúa para alcanzar objetivos. Una base de datos vectorial que almacena documentos para realizar búsquedas semánticas. Un modelo de lenguaje que únicamente genera texto a partir de un prompt, sin tomar acciones sobre el entorno. Un sistema basado exclusivamente en reglas IF-THEN definidas a mano por un experto humano.

Se ha planteado que varias técnicas modernas reaprovechan ideas clásicas de los Sistemas Expertos. ¿Cuáles de las siguientes equivalencias son correctas?. ReAct (Reason + Act) puede entenderse como una versión moderna del ciclo del motor de inferencia clásico. Los LLMs eliminan completamente la necesidad de reglas: ningún sistema actual las utiliza ya. El function calling de los LLMs equivale a elegir qué regla disparar, pero con un razonador estadístico en lugar de simbólico. RAG puede verse como la "base de conocimientos" moderna: embeddings en lugar de reglas.

Sobre la seguridad y ética específica de los agentes basados en LLM, ¿qué afirmaciones son correctas?. Los agentes basados en LLM son inherentemente más auditables que los SE clásicos, ya que cada decisión queda registrada en una regla explícita. El principio de mínimo privilegio implica dar al agente acceso únicamente a las herramientas y datos estrictamente necesarios. El enfoque "human-in-the-loop" pide confirmación humana antes de acciones críticas (pagos, borrados, envíos externos). El "prompt injection" consiste en inyectar instrucciones maliciosas en el entorno del agente para alterar su comportamiento.

Entre los sectores en los que históricamente se han aplicado Sistemas Expertos se encuentran: Generación artística de imágenes a partir de descripciones textuales. Sanidad (diagnóstico y soporte a la decisión clínica). Industria (mantenimiento predictivo, control de procesos, configuración de productos). Banca y seguros (concesión de créditos, análisis de riesgos, detección de fraude).

En el contexto de los agentes de IA, ¿qué es una herramienta (tool)?. Un tipo concreto de memoria episódica para guardar experiencias pasadas. Cualquier librería de Python instalada en el entorno donde se ejecuta el agente. Una función asignada al LLM que cumple un objetivo claro y que el agente puede invocar (búsqueda web, ejecución de código, llamada a APIs, etc.). Un fragmento de la base de conocimientos del agente, expresado en forma de regla simbólica.

Sobre las arquitecturas multi-agente, ¿qué afirmaciones son correctas?. Un patrón muy habitual es el de orquestador + subagentes especialistas (por ejemplo, búsqueda, código, análisis, email). El uso de múltiples agentes especializados está prohibido por el AI Act europeo. AutoGen, CrewAI, LangGraph u OpenAI Swarm son frameworks típicos para implementar este tipo de arquitecturas. Una arquitectura multi-agente exige obligatoriamente que todos los agentes utilicen el mismo modelo de LLM.

Sobre la arquitectura clásica de un Sistema Experto, ¿qué elementos forman parte de ella?. Motor de inferencia. Base de hechos. Base de conocimientos. Capa de embeddings vectoriales.

El workflow clásico de un agente sigue un ciclo continuo con la siguiente secuencia: Actuar → Pensar → Observar. Observar → Actuar → Pensar. Pensar → Observar → Actuar. Pensar → Actuar → Observar.

Entre las limitaciones clásicas de los Sistemas Expertos que dificultaron su escalabilidad se encuentran: Su incapacidad técnica para ejecutarse en hardware moderno, lo que los hace inviables hoy en día. La existencia de conocimiento tácito que el propio experto no llega a articular en reglas ("lo veo y lo sé"). Su fragilidad fuera del dominio cubierto: ante situaciones no contempladas tienden a fallar de forma catastrófica, sin sentido común. La adquisición del conocimiento es lenta y costosa: entrevistar al experto, formalizar su saber y depurar reglas requiere mucho tiempo.

Sobre los tipos de memoria de un agente moderno, ¿cuáles de las siguientes afirmaciones son correctas?. Los agentes modernos solo pueden disponer de memoria a corto plazo, nunca de memoria a largo plazo. La memoria procedural se implementa típicamente a través del system prompt, las herramientas disponibles y los flujos de trabajo definidos. La memoria episódica almacena recuerdos de experiencias o interacciones específicas. La memoria semántica recoge el conocimiento general del dominio (manuales, FAQs, documentación) y es el núcleo del RAG.

Sobre el razonamiento en un Sistema Experto basado en reglas: Forward y backward chaining son el mismo mecanismo con distinto nombre. El backward chaining solo es aplicable en sistemas probabilísticos. Forward chaining parte de los datos disponibles y avanza hacia las conclusiones. Backward chaining parte del objetivo y razona hacia atrás buscando las premisas que lo soportan.

Entre los componentes mínimos de un agente moderno se encuentran: Un bucle de planificación que decida qué hacer en cada paso. Memoria (corto plazo / contexto, y largo plazo / vectorial). Un conjunto de herramientas que el agente pueda invocar. Un modelo de razonamiento (típicamente un LLM).

Sobre la comparativa entre un Sistema Experto clásico y un agente basado en LLM, ¿cuáles de las siguientes afirmaciones son correctas?. Los SE clásicos suelen cubrir dominios estrechos y profundos; los agentes LLM cubren dominios amplios pero, en ocasiones, de forma más superficial. En un SE clásico el conocimiento se representa mediante reglas explícitas escritas a mano; en un agente LLM el conocimiento queda implícito en los pesos del modelo (eventualmente complementado con RAG). Los SE clásicos tienen una explicabilidad alta (pueden mostrar la cadena de reglas aplicadas); los agentes LLM tienden a comportarse como "cajas negras" probabilísticas. Los agentes LLM son más fáciles de mantener que los SE clásicos porque, en ambos casos, basta con editar reglas a mano una a una.

Dentro de la taxonomía clásica de agentes (reactivos simples, basados en modelos, basados en objetivos/utilidad), ¿dónde encajan principalmente los LLMs modernos?. En los agentes basados en objetivos y utilidad, ya que evalúan múltiples acciones posibles y eligen la que mejor cumple el objetivo. En los agentes basados en modelos, porque solo mantienen un estado interno del mundo. En los agentes reactivos simples, ya que se limitan a aplicar reglas fijas. Los LLMs no se consideran agentes en ninguna de las categorías clásicas.