De la intención a la ejecución: Cómo Microsoft está transformando los grandes modelos de lenguaje en inteligencia artificial orientada a la acción

Los grandes modelos de lenguaje (LLM) han cambiado la forma en que manejamos el procesamiento de lenguaje natural. Pueden responder preguntas, escribir código y mantener conversaciones. Sin embargo, fallen cuando se trata de tareas del mundo real. Por ejemplo, un LLM puede guiarte a través de la compra de una chaqueta, pero no puede realizar el pedido por ti. Esta brecha entre el pensamiento y la acción es una limitación importante. Las personas no solo necesitan información; quieren resultados.

Para bridar esta brecha, Microsoft (MSFT ) está convirtiendo a los LLM en agentes de inteligencia artificial orientados a la acción. Al permitirles planificar, descomponer tareas y interactuar con entornos del mundo real, les permiten a los LLM gestionar tareas prácticas de manera efectiva. Este cambio tiene el potencial de redefinir lo que los LLM pueden hacer, convirtiéndolos en herramientas que automatizan flujos de trabajo complejos y simplifican tareas cotidianas. Veamos qué se necesita para que esto suceda y cómo Microsoft está abordando el problema.

Qué necesitan los LLM para actuar

Para que los LLM realicen tareas en el mundo real, deben ir más allá de la comprensión del texto. Deben interactuar con entornos digitales y físicos mientras se adaptan a condiciones cambiantes. A continuación, se presentan algunas de las capacidades que necesitan:

1. Entendiendo la intención del usuario

Para actuar de manera efectiva, los LLM necesitan entender las solicitudes de los usuarios. Las entradas como texto o comandos de voz a menudo son vagas o incompletas. El sistema debe llenar los vacíos utilizando su conocimiento y el contexto de la solicitud. Las conversaciones de varios pasos pueden ayudar a refinar estas intenciones, asegurando que la IA comprenda antes de tomar acción.

2. Convirtiendo intenciones en acciones

Después de entender una tarea, los LLM deben convertirla en pasos ejecutables. Esto puede involucrar hacer clic en botones, llamar a API o controlar dispositivos físicos. Los LLM necesitan modificar sus acciones para adaptarse a la tarea específica, adaptándose al entorno y resolviendo desafíos a medida que surgen.

3. Adaptándose a los cambios

Las tareas del mundo real no siempre van según lo planeado. Los LLM necesitan anticipar problemas, ajustar pasos y encontrar alternativas cuando surgen problemas. Por ejemplo, si un recurso necesario no está disponible, el sistema debe encontrar otra forma de completar la tarea. Esta flexibilidad garantiza que el proceso no se detenga cuando las cosas cambian.

4. Especializándose en tareas específicas

Aunque los LLM están diseñados para uso general, la especialización los hace más eficientes. Al centrarse en tareas específicas, estos sistemas pueden ofrecer mejores resultados con menos recursos. Esto es especialmente importante para dispositivos con potencia de procesamiento limitada, como teléfonos inteligentes o sistemas integrados.

Al desarrollar estas habilidades, los LLM pueden ir más allá del simple procesamiento de información. Pueden tomar acciones significativas, sentando las bases para que la IA se integre de manera fluida en los flujos de trabajo cotidianos.

Cómo Microsoft está transformando los LLM

El enfoque de Microsoft para crear inteligencia artificial orientada a la acción sigue un proceso estructurado. El objetivo principal es permitir que los LLM comprendan comandos, planifiquen de manera efectiva y tomen acción. A continuación, se explica cómo lo están haciendo:

Paso 1: Recopilación y preparación de datos

En la primera fase, recopilaron datos relacionados con sus casos de uso específicos: el Agente UFO (descrito a continuación). Los datos incluyen consultas de usuarios, detalles del entorno y acciones específicas de la tarea. Se recopilaron dos tipos de datos en esta fase: en primer lugar, recopilaron datos de planificación de tareas que ayudan a los LLM a esbozar los pasos de alto nivel necesarios para completar una tarea. Por ejemplo, “Cambiar el tamaño de fuente en Word” podría involucrar pasos como seleccionar texto y ajustar la configuración de la barra de herramientas. En segundo lugar, recopilaron datos de acción de tareas, lo que permite a los LLM traducir estos pasos en instrucciones precisas, como hacer clic en botones específicos o utilizar atajos de teclado.

Esta combinación proporciona al modelo tanto la visión general como las instrucciones detalladas que necesita para realizar tareas de manera efectiva.

Paso 2: Entrenamiento del modelo

Una vez recopilados los datos, los LLM se refinan a través de múltiples sesiones de entrenamiento. En el primer paso, los LLM se entrenan para la planificación de tareas enseñándoles a descomponer las solicitudes de los usuarios en pasos ejecutables. Luego, se utiliza datos etiquetados por expertos para enseñarles a traducir estos planes en acciones específicas. Para mejorar aún más sus capacidades de resolución de problemas, los LLM participan en un proceso de exploración de auto-mejora que les permite abordar tareas no resueltas y generar nuevos ejemplos para el aprendizaje continuo. Finalmente, se aplica el aprendizaje por refuerzo, utilizando la retroalimentación de los éxitos y fracasos para mejorar aún más su toma de decisiones.

Paso 3: Pruebas offline

Después del entrenamiento, el modelo se prueba en entornos controlados para garantizar la confiabilidad. Métricas como la Tasa de éxito de tareas (TSR) y la Tasa de éxito de pasos (SSR) se utilizan para medir el rendimiento. Por ejemplo, probar un agente de gestión de calendario podría implicar verificar su capacidad para programar reuniones y enviar invitaciones sin errores.

Paso 4: Integración en sistemas reales

Una vez validado, el modelo se integra en un marco de agente. Esto le permite interactuar con entornos del mundo real, como hacer clic en botones o navegar por menús. Herramientas como las API de automatización de la interfaz de usuario ayudan al sistema a identificar y manipular elementos de la interfaz de usuario de manera dinámica.

Por ejemplo, si se le asigna la tarea de resaltar texto en Word, el agente identifica el botón de resaltado, selecciona el texto y aplica el formato. Un componente de memoria podría ayudar a los LLM a mantener un registro de las acciones pasadas, lo que les permite adaptarse a nuevos escenarios.

Paso 5: Pruebas en el mundo real

El paso final es la evaluación en línea. Aquí, el sistema se prueba en escenarios del mundo real para garantizar que pueda manejar cambios y errores inesperados. Por ejemplo, un bot de soporte al cliente podría guiar a los usuarios a través del proceso de restablecer una contraseña mientras se adapta a entradas incorrectas o información faltante. Esta prueba garantiza que la IA sea robusta y esté lista para su uso diario.

Ejemplo práctico: El Agente UFO

Para demostrar cómo funciona la inteligencia artificial orientada a la acción, Microsoft desarrolló el Agente UFO. Este sistema está diseñado para ejecutar tareas del mundo real en entornos de Windows, convirtiendo las solicitudes de los usuarios en acciones completadas.

En su núcleo, el Agente UFO utiliza un LLM para interpretar solicitudes y planificar acciones. Por ejemplo, si un usuario dice, “Resalta la palabra ‘importante’ en este documento”, el agente interactúa con Word para completar la tarea. Recopila información contextual, como la posición de los controles de la interfaz de usuario, y la utiliza para planificar y ejecutar acciones.

El Agente UFO se basa en herramientas como la Automatización de la interfaz de usuario de Windows (UIA). Esta API escanea aplicaciones en busca de elementos de control, como botones o menús. Para una tarea como “Guardar el documento como PDF”, el agente utiliza la UIA para identificar el botón “Archivo”, localizar la opción “Guardar como” y ejecutar los pasos necesarios. Al estructurar los datos de manera consistente, el sistema garantiza una operación fluida desde el entrenamiento hasta la aplicación en el mundo real.

Superar desafíos

Aunque este es un desarrollo emocionante, crear inteligencia artificial orientada a la acción conlleva desafíos. La escalabilidad es un problema importante. El entrenamiento y la implementación de estos modelos en diversas tareas requieren recursos significativos. Garantizar la seguridad y la confiabilidad es igualmente importante. Los modelos deben realizar tareas sin consecuencias no deseadas, especialmente en entornos sensibles. Y al interactuar con datos privados, mantener los estándares éticos en torno a la privacidad y la seguridad también es crucial.

La hoja de ruta de Microsoft se centra en mejorar la eficiencia, ampliar los casos de uso y mantener los estándares éticos. Con estos avances, los LLM podrían redefinir cómo la IA interactúa con el mundo, haciéndolos más prácticos, adaptables y orientados a la acción.

El futuro de la IA

Transformar los LLM en agentes de inteligencia artificial orientados a la acción podría ser un cambio de juego. Estos sistemas pueden automatizar tareas, simplificar flujos de trabajo y hacer que la tecnología sea más accesible. El trabajo de Microsoft en inteligencia artificial orientada a la acción y herramientas como el Agente UFO es solo el comienzo. A medida que la IA continúa evolucionando, podemos esperar sistemas más inteligentes y capaces que no solo interactúan con nosotros, sino que también realizan tareas.