AGI vertical: por qué trabajo con modelos del mundo sectoriales
La energía me enseñó que conocer un dato y saber qué hacer con él son problemas distintos. Esa diferencia está en el origen de mi trabajo con sistemas de decisión.
Mi forma de entender la inteligencia artificial está muy marcada por mi trayectoria en energía. La eficiencia energética, el autoconsumo y la financiación de proyectos me llevaron a trabajar con problemas en los que había que relacionar instalaciones, condiciones comerciales, costes y necesidades empresariales. Ninguna de esas piezas tenía demasiado sentido por separado.
Una oferta podía parecer buena hasta revisar el contrato. Una inversión podía resultar atractiva hasta incorporar la financiación. Una medida podía reducir consumo y, aun así, complicar la operación de la empresa.
Por eso, cuando pienso en aplicar inteligencia artificial a una actividad, empiezo por una pregunta: qué necesita conocer el sistema para que su propuesta tenga sentido. Parece una cuestión menos ambiciosa que construir una inteligencia capaz de hacerlo todo. En cuanto intentas resolverla con suficiente profundidad, deja de parecer pequeña.
Representar una actividad
Imaginemos una instalación que quiere reducir su coste energético. Para estudiar alternativas necesitamos relacionar el consumo con los equipos, los horarios, la producción, el contrato y las restricciones de funcionamiento. Reunir las facturas es el comienzo de ese trabajo.
Además, debemos distinguir lo que sabemos de lo que estamos suponiendo. El precio de un contrato puede estar documentado. El consumo del próximo mes requiere una previsión. La posibilidad de trasladar una operación depende de condiciones que quizá todavía no hemos comprobado. Al reunir esa información en una conversación, seguimos necesitando saber qué está comprobado y qué depende de un supuesto.
Este es el problema que me interesa abordar mediante modelos del mundo sectoriales: construir una representación útil de una actividad y conectarla con los cálculos y modelos necesarios para estudiar qué ocurriría al intervenir sobre ella.
El alcance lo define la decisión: representar lo suficiente para resolver el problema, conservando las relaciones que pueden cambiar la conclusión. Un inventario identifica los activos; un modelo de comportamiento estudia cómo responden. Un grafo puede mostrar conexiones; para atribuir una causa hacen falta otras pruebas. Una simulación permite explorar escenarios bajo unos supuestos que después hay que contrastar con la instalación.
Utilizar cada herramienta donde aporta valor
Esta forma de trabajar conecta con líneas de investigación diferentes. World Models, de Ha y Schmidhuber, y Dreamer estudian cómo aprender representaciones del entorno y utilizarlas para anticipar escenarios y mejorar el comportamiento de un agente.
Por otra parte, Brick permite describir los activos de un edificio y sus relaciones mediante un vocabulario compartido. Aborda otra necesidad: que distintas herramientas puedan interpretar qué representa cada elemento de una instalación.
Mi lectura es que estas capacidades se complementan. Saber qué es un equipo, prever su comportamiento y decidir cómo operarlo son trabajos relacionados, con funciones propias. De ahí sale un criterio de diseño que considero fundamental: elegir la herramienta según el problema.
Si hay una fórmula conocida y datos suficientes, prefiero calcular. Si el resultado depende de una demanda futura, necesito estimar y expresar la incertidumbre. Para interpretar un documento o una petición, un modelo de lenguaje puede ayudar. Y para elegir entre alternativas hacen falta objetivos y restricciones explícitos.
Quiero conservar la precisión de un cálculo comprobable y aprovechar una buena predicción aunque tenga incertidumbre. El valor está en conectarlos sabiendo qué puede aportar cada uno.
Qué entiendo por AGI vertical
Utilizo la expresión «AGI vertical» para investigar una capacidad más amplia que la automatización de una tarea aislada: un sistema que pueda abordar problemas distintos dentro de un sector, relacionar conocimiento, plantear alternativas y revisar su actuación cuando cambian las condiciones.
La generalidad que me interesa estudiar está delimitada por ese dominio. El término expresa una dirección de investigación cuyo alcance debe sostenerse con pruebas.
La distinción entre rendimiento, generalidad y autonomía que plantea Levels of AGI resulta útil aquí. Resolver muy bien una tarea, adaptarse a tareas diferentes y actuar con mayor independencia son propiedades distintas. Cada una necesita una evaluación que permita entender qué se ha conseguido.
En una empresa añadiría otra separación: la capacidad para encontrar una solución y el permiso para ejecutarla. Los límites de actuación responden a la responsabilidad que concede la organización; la inteligencia se examina por los problemas que el sistema logra resolver.
Mi trabajo en TheryOS parte de conectar esas necesidades alrededor de la actividad de una organización. El planteamiento consiste en construir una base sobre la que puedan trabajar cálculos, modelos predictivos, herramientas y personas, conservando el contexto de las decisiones.
Mi punto de partida es que la actividad de la empresa organice el sistema. Los modelos de lenguaje pueden ayudar a interpretar y comunicar; los cálculos, las reglas y los modelos específicos deben resolver las partes que les corresponden.
Lo que me interesa comprobar es si esa integración permite resolver mejor los problemas del sector: con menos información perdida entre herramientas, alternativas más útiles y resultados que puedan revisarse. Esa es la dirección de trabajo. El nombre importa bastante menos que las pruebas que consigan sostenerla.
Lecturas relacionadas
Referencias
Alejandro Díaz
Fundador de TheryOS, empresario y emprendedor en los sectores energético y financiero.
