La inteligencia artificial (IA) está siendo cada vez más utilizada en flujos de trabajo complejos y específicos de dominio, como la navegación de aplicaciones web de empresa que requieren decenas de clics y rellenos de formularios, la orchestración de pipelines de investigación que abarcan búsqueda, extracción y síntesis, y el automatismo de revisiones de código en repositorios desconocidos. Sin embargo, cada nuevo dominio de tarea requiere una ingeniería de carga exhaustiva y dirigida por expertos, que implica diseñar promotores, herramientas, lógica de orquestación y criterios de evaluación para hacer que un modelo de fundación sea efectivo.

En un intento por simplificar este proceso, un equipo de investigadores ha presentado un marco de dos niveles que automatiza la ingeniería de carga. El primer nivel se conoce como el Ciclo de Evolución de Carga, y se enfoca en optimizar la carga de un agente de trabajo para una sola tarea. El agente de trabajo ejecuta la tarea, un agente de evaluación adversarial diagnostica las fallas y califica el desempeño, y un agente de evolución modifica la carga en función de la historia completa de intentos anteriores.

El segundo nivel se conoce como el Ciclo de Meta-Evolución y se enfoca en optimizar el protocolo de evolución mismo en tareas diversas. Aprende un protocolo que permite una convergencia rápida de la carga en cualquier nueva tarea, lo que significa que adaptar un agente a un dominio nuevo requiere ninguna ingeniería de carga humana. El marco presenta una correspondencia formal con el aprendizaje meta y presenta tanto los algoritmos como las herramientas necesarias para implementarlo.

Con este marco, la ingeniería de carga manual se desplaza hacia la automatización de la ingeniería de carga, y se da un paso más allá al automatizar el diseño de la automática misma. Esto abre la puerta a la creación de agentes de IA que puedan adaptarse rápidamente a nuevos entornos y tareas, sin necesidad de intervención humana.

El impacto de este descubrimiento puede ser significativo en diversas industrias, como la automatización, la investigación y el desarrollo, y la atención al cliente. Al permitir a los agentes de IA adaptarse con rapidez a nuevos dominios de tarea, se pueden mejorar la eficiencia y la efectividad en estas áreas.

En resumen, el marco de dos niveles de evolución de carga presenta una oportunidad para revolucionar la forma en que se utilizan los agentes de IA en flujos de trabajo complejos y específicos de dominio. Al automatizar el proceso de ingeniería de carga, se puede mejorar la adaptabilidad y la efectividad de estos agentes, lo que puede tener un impacto significativo en diversas industrias.