1 – Introducción a la IA agéntica

Introducción a la IA agéntica

¿Pero qué son estos agentes?

Agentes de IA impulsados por modelos de lenguaje (LLM)

¿Qué hace a un agente ser un agente?

Colaboración multiagente

¿Por qué necesitamos múltiples agentes?

¿Qué es necesario tener en cuenta cuando entran en juego múltiples agentes?

Más conceptos fundamentales sobre agentes autónomos

Entorno (o ambiente)

Percepción e información del entorno

Acciones e interacción con el entorno

Razonamiento y toma de decisiones

Tipos de agentes de IA

Aprendizaje en agentes de IA

Función de recompensa y optimización

Autonomía y adaptabilidad

Ética y seguridad en agentes de IA

Implementación y herramientas

Diferencias entre IA generativa y la IA agéntica

Propósito y función principal

Enfoque en la toma de decisiones versus generación de contenido

Interacción con el entorno

Adaptabilidad y aprendizaje en tiempo real

Dependencia de datos de entrenamiento

Aplicaciones de agentes autónomos en la industria y la administración pública

Resumen

 

2 – Diseño de agentes autónomos de IA

Diseño de agentes autónomos de IA

Evolución del diseño

Fase A: Sistemas básicos de entrada y salida

Fase B: Introducción del entorno

Fase C: Agentes con aprendizaje y razonamiento

Resumen de la evolución temporal de los agentes autónomos

Componentes de los agentes de IA

Memoria procedural

Código del agente

Memoria semántica

Memoria episódica

Procedimientos de decisión y razonamiento

Enfoques en el diseño de los agentes

Diseño basado en objetivos

Diseño orientado al entorno

Diseño centrado en la interacción humano-agente

Principios clave en el diseño de agentes

Tipos de arquitectura

Diseño de agentes de IA en el mundo real

Ejemplo: Agentes de IA en el sistema ORION de la empresa UPS

Agente predictivo

Agente de optimización

Agente decisiones

Agente de aprendizaje continuo

Flujo de interacción entre agentes

Beneficios del diseño de Orión

El proceso de diseño de agentes de IA

Definir la persona y el objetivo del agente

Definir tareas y planes

Definir la memoria

Proveer conocimiento

Proveer herramientas

Reflexión sobre el diseño de un equipo de agentes

Más allá de las pruebas de concepto: implementación de agentes

Iteraciones

Seguridad, operaciones y más

Resumen

 

3 – Implementación de agentes autónomos

Implementación de agentes autónomos

Algunas plataformas de agentes de IA populares

LangGraph: Un framework de código abierto

Autogen: Un framework modular para los casos de uso más exigentes

CrewAI: Un framework escalable y fácil de usar

¿Qué es CrewAI? Ejemplos prácticos

Componentes de CrewAI

Experimentando con CrewAI

Instalando las dependencias en Windows

Configuración del entorno

Comprobando la instalación de CrewAI

Primer agente: Construcción de una herramienta de búsqueda web

Extracción de contenido de un sitio web

Escribir el texto extraído en un archivo

Configurando la herramienta de búsqueda en texto

Creando un agente para la tarea

Interfaz gráfica con CrewAI

Instalación y creación del proyecto

Integración de CrewAI con Panel

Código

Ejecución de la aplicación

Integración de CrewAI con otras herramientas

Otra plataforma de agentes: Introduciendo Autogen

Configuración del entorno de desarrollo

Recolección y procesamiento de datos

Recolección de datos

Procesamiento de documentos

Creación de embeddings

Beneficios de una preparación adecuada

Configuración de una base de datos vectorial con SingleStore

Pasos para configurar

Definición de roles de agentes

Simulación de una interacción multiagente

Análisis de respuestas: Con y sin RAG

Resumen

 

4 – Gestión eficiente de agentes de IA

Gestión eficiente de agentes de IA

Supervisión y mantenimiento de agentes

Identificación de áreas susceptibles a la automatización

Métodos de identificación

Criterios de selección de estas áreas

Estrategias para la mejora continua de procesos

Optimización basada en feedback

Automatización incremental

Capacitación y documentación

Medición del impacto de la optimización

Métricas clave

Análisis comparativo

Visualización de resultados

Resolución de problemas comunes

Errores frecuentes

Implementación de mecanismos de resiliencia

Flujo de tokens en diferentes patrones de conversación

Patrón de conversación de dos agentes

Patrón de un chat colectivo entre agentes

Implementación del seguimiento de tokens

Ejemplo de uso de tokens

Patrones de uso de tokens

Conversaciones de dos agentes

Escenarios de chat colectivo

Mejores prácticas para la gestión de tokens

Usa middleware para la monitorización

Monitoriza y registra el uso de tokens

Optimiza los mensajes del sistema de los agentes

Gestiona el historial de la conversación

Resumen

Supervisión y mantenimiento de agentes

Automatización y análisis

Estrategias de mejora continua

Medición del impacto

Resolución de problemas comunes

Gestión de tokens

 

5 – Evaluación del ROI de agentes autónomos

Evaluación del ROI de agentes autónomos

Análisis integral del ROI

Ejemplo práctico de evaluación del ROI con CrewAI

Áreas de evaluación

KPIs extendidos para evaluar el ROI

KPIs operativos

Ejemplo de KPI operativo

Herramientas avanzadas para medir el ROI

Automatización del seguimiento de métricas

Ejemplo práctico: Evaluación del ROI en soporte técnico

Contexto

Después de la implementación

Cálculo del ROI

Herramientas Especializadas para Evaluar el ROI

Estrategias avanzadas de ajuste

Integración con modelos generativos

Iteración y mejora continua

Pipeline de Iteración continua

Resumen

¿Qué es el ROI?

Análisis Integral del ROI

KPIs para Evaluar el ROI

Herramientas Avanzadas

Estrategias de Mejora Continua

Impacto Ambiental

Conclusión

Resumen

¿Qué es el ROI?

Análisis integral del ROI

KPI’s para evaluar el ROI

Herramientas avanzadas

Estrategias de mejora continua