Conocer los motores de razonamiento
Objetivos de aprendizaje
Después de completar esta unidad, podrá:
- Describir qué es un motor de razonamiento.
- Enumerar tres tipos de razonamiento que utilizan los motores de razonamiento para resolver problemas.
- Enumerar cuatro estrategias de razonamiento populares que guían a los LLM.
La innovación más reciente de la IA
La IA puede hacer mucho más que simplemente platicar. Puede pensar problemas, analizar opciones y tomar decisiones. Para hacer eso (tomar decisiones complejas, ofrecer perspectivas y responder al contexto del momento), los agentes de IA utilizan el razonamiento.
Sin embargo, la IA funciona mejor cuando uno entiende cómo piensa. En este módulo, explorará cómo los motores de razonamiento ayudan a la IA avanzada a entender y proporcionarle lo que usted quiere: ya sea redactar un email, generar un resumen de campaña, crear una página web, investigar a los competidores, analizar datos, resumir una llamada o cualquier otra tarea que le permita ahorrar tiempo.
Pues bien, ¿qué es exactamente un motor de razonamiento?
Un motivo para confiar en la IA
Un motor de razonamiento es un tipo de IA que recopila información, sigue reglas lógicas y toma decisiones: lo mismo que hacen las personas cuando resuelven problemas.
Al igual que las personas, estos motores suelen utilizar tres tipos de razonamiento.
-
Deducción: “Todas las frutas tienen semillas. Un mango es una fruta. Por lo tanto, un mango tiene semillas”. (Parte de una regla general y la aplica a un caso específico).
-
Inducción: “Las últimas cinco reuniones comenzaron tarde. Probablemente, la próxima también comenzará tarde”. (Analiza patrones de experiencias pasadas para hacer una predicción general).
-
Abducción: “Las luces están apagadas y nadie viene a abrir la puerta. Probablemente, no están en casa”. (Hace suposiciones en función de pistas limitadas).
Estos enfoques hacen que los motores de razonamiento sean especialmente útiles. Gracias a su razonamiento, la IA puede resolver con rapidez problemas que normalmente exigirían el reconocimiento del contexto y la perspectiva de un ser humano pensante, lo que permite nuevas formas de trabajar a gran escala.
El modo en que los LLM aprenden a razonar
Los modelos de lenguaje grandes (LLM) se volvieron populares a fines de 2022, pero los investigadores estuvieron experimentando con formas de hacerlos pensar y planificar como seres humanos. ¿El secreto? Las solicitudes: instrucciones escritas cuidadosamente que guían la respuesta del LLM. Cuando una solicitud ayuda a un LLM a elaborar un plan lógico para resolver un problema, la llamamos estrategia de razonamiento.
A continuación, presentamos cuatro estrategias populares.
1. Cadena de pensamientos (CoT)
Esto es como enseñarle al LLM a “mostrar su trabajo”. La cadena de pensamientos desglosa un problema difícil en una serie de pasos más pequeños, como cuando un humano arma un rompecabezas. Es excelente para resolver problemas matemáticos, razonar con sentido común y realizar otras tareas que requieren lógica. Ventaja adicional: Los ingenieros pueden hacer un seguimiento de cada paso para ver dónde pudo haber ocurrido un error.
2. Razonamiento y acción (ReAct)
ReAct combina el razonamiento con acciones reales. Esta estrategia no depende únicamente del conocimiento del LLM: interactúa, verifica información y perfecciona sus respuestas paso a paso con los comentarios del usuario. Esto reduce la cantidad de “alucinaciones” (o respuestas incorrectas) y genera resultados más confiables.
3. Árbol de pensamientos (ToT)
En lugar de seguir un único plan, el árbol de pensamientos explora muchos caminos posibles en cada paso, que es como evaluar varias opciones antes de elegir la mejor. El árbol de pensamientos es ideal para desafíos complejos como acertijos matemáticos, escritura creativa o toma de decisiones estratégica.
4. Razonamiento mediante planificación (RAP)
El RAP lleva el razonamiento un paso más adelante al ayudar al LLM a simular resultados futuros. Predice cómo se desarrollarán las acciones, explora alternativas y perfecciona su plan durante el proceso, igual que un estratega humano. El RAP se destaca en tareas que exigen planificación a largo plazo, inferencia lógica o resolución de problemas en varios pasos.
Estas estrategias permiten que los LLM piensen los problemas de manera sistemática, en lugar de adivinar. Ya sea desglosar los problemas en pasos (CoT), interactuar con comentarios (ReAct), explorar varias opciones (ToT) o simular estados futuros (RAP), cada enfoque acerca un poco más a la IA al razonamiento humano, pero con mayor rapidez.
El modo en que Agentforce implementa el razonamiento de LLM
Agentforce es la capa de agentes de Salesforce o el asistente de IA inteligente. Al ser una solución de IA completa, ofrece a los empleados y clientes varias maneras de platicar con agentes en lenguaje sencillo, lo que ayuda a los equipos a trabajar más rápido y a los clientes a obtener respuestas al instante. En un segundo plano, utiliza modelos de lenguaje grandes (LLM) no solo para comprender y responder, sino también para planificar tareas complejas, como un motor de razonamiento.
A continuación, mostramos lo que sucede paso a paso.
- Un usuario escribe una solicitud. Por ejemplo, “Crea una página web”.
- Agentforce envía esa entrada a un LLM seguro con una solicitud diseñada cuidadosamente. Esto ayuda a que el LLM traduzca la entrada del usuario a una necesidad definida que la IA comprenda.
- Una vez que la intención es clara, se pide al LLM que cree un plan para llevarlo a cabo mediante otra solicitud.
- El LLM responde con un plan paso a paso. Este plan consta únicamente de acciones que un agente puede realizar, garantizando un comportamiento seguro y confiable.
- El agente sigue los pasos, ejecuta las acciones en el orden correcto y entrega el resultado al usuario.
Este proceso reduce el esfuerzo mental de los usuarios. En lugar de tener que dilucidar cómo hacer algo, el usuario solo dice lo que necesita y Agentforce se encarga de cómo llevarlo a cabo.
El razonamiento en acción
Agentforce brinda a las compañías una capacidad nueva y audaz: convierte a los modelos de lenguaje grandes en motores de razonamiento en tiempo real. Esto significa que la IA no solo responde preguntas: interpreta situaciones complejas, planifica los pasos siguientes y realiza acciones.
Veamos algunos ejemplos.
-
¿Las ventas están estancadas? Agentforce puede analizar su CRM, detectar prospectos prometedores y prepararlos para los representantes.
-
¿Se cierran menos negociaciones? Los agentes pueden marcar oportunidades en riesgo, resumir historiales de cuentas y brindar perspectivas claras y rápidas a los gerentes.
-
¿Problema de sobrefacturación? Un agente recurre a los registros correctos, ofrece pasos útiles para resolver el problema y ayuda a solucionarlo con rapidez.
-
¿Necesita cerrar el trimestre con solidez? Los agentes pueden evaluar las opiniones de los clientes, predecir la trayectoria de una negociación y recomendar qué hacer hoy para garantizar el éxito futuro.
En todos estos ejemplos, Agentforce actúa como un miembro del equipo semiautónomo. Piensa los problemas con lógica impulsada por LLM, responde al lenguaje natural y conecta a las partes interesadas.
Recapitulemos
Ahora que entiende los aspectos básicos de los motores de razonamiento, es fácil ver por qué tantas empresas confían en la tecnología. Gracias a que adopta un enfoque muy similar al humano para resolver problemas del mundo real, la IA puede compararse con equipos de profesionales que trabajan duro y ofrecer soluciones fáciles, eficientes y confiables para alcanzar sus objetivos de negocios.
A continuación, exploraremos el motor de razonamiento de Salesforce: Atlas.