Ontología de un agente: fundamentos para la implementación de IA en Cody

En el ecosistema de inteligencia artificial (IA), la palabra “ontología” suele relacionarse con la forma en que describimos, organizamos y entendemos un dominio de conocimiento. Imagina que, para construir a un agente de IA, primero definimos cada pieza conceptual y las relaciones entre ellas, tal como se observa en la ilustración que viene: componentes que reciben información (Detector), la procesan o transforman (Producer), la empaquetan o publican (Publisher) y, finalmente, la entregan al usuario o a otros servicios (Receiver). Más adelante explicaremos también cómo estos agentes pueden interactuar con diferentes nodos que representan grandes modelos, fuentes de datos y más, ilustrando la conexión entre el mundo físico y el digital, gracias al puente seguro que brinda Cody.

En este post exploraremos paso a paso la estructura y la ontología que hacen posible la creación de los agentes de Cody, así como la base de creación de confianza con la que están diseñados para lograr un ecosistema phygital (que une el mundo físico y el digital) seguro. Además, mostraremos cómo integramos elementos de trabajos pioneros, como los de Terry Winograd y Fernando Flores y de behavioral design, al enfoque de Cody simplificando estos conceptos a través de un framework práctico de acciones, señales y recompensas.

1. La ontología como base conceptual

El corazón de cualquier sistema de IA exitoso es lo que llamamos su "ontología": una descripción formal de conceptos y relaciones que permite al agente "entender" el mundo de forma más cercana a como lo hacemos los humanos.

• Definición de clases y propiedades: Por ejemplo, “Detector”, “Productor”, “Publicador” y “Receptor” se convierten en entidades con funciones o atributos específicos que definen qué hace cada uno.

• Relaciones y flujos de información: El “Detector” provee datos al “Productor”, quien a su vez genera conocimiento para ser publicado. Esto construye un “camino” claro de transformación y uso de datos.

  
  

Este enfoque se inspira en los principios de Understanding Computers and Cognition, de Terry Winograd y Fernando Flores, donde se hace hincapié en la necesidad de una comprensión ontológica sólida antes de diseñar interacciones con las máquinas. Asimismo, se retoman los lineamientos de Conversations for Action and COllected Essays, donde se ve la importancia de definir actos lingüísticos, compromisos y coordinaciones de manera explícita para que los agentes (humanos o de software) entiendan y cumplan con sus roles.

2. Capas de trabajo: desde datos y modelos hasta integraciones

La plataforma de Cody está compuesta por diversas capas que se pueden observar en las ilustraciones y que se conectan entre sí a través de flujos bien definidos:

1. Capa de datos y modelos

   • Aquí se almacenan y entrenan modelos estadísticos o de aprendizaje automático que dan vida a la IA.

   • Los datos se encuentran debidamente etiquetados y validados, ya que para que un agente sea eficaz, debe basarse en información de calidad.

2. Capa de agentes (ejemplo)

   • Detector: Identifica patrones o eventos de interés en los datos (por ejemplo, una métrica anómala o un evento desencadenante).

   • Producer: Toma la salida del Detector y produce un contenido más elaborado, como un reporte, una acción específica o la actualización de un registro.

   • Publisher: Hace pública la información procesada, poniéndola a disposición de otros sistemas o usuarios.

   • Receiver: Cierra el ciclo al recibir nuevas solicitudes o datos de entrada para volver a activar todo el flujo.

3. Capa de análisis, flujos de trabajo e integraciones

   • Analytics: Permite visualizar y analizar resultados; por ejemplo, paneles que muestran cómo evolucionan ciertos indicadores.

   • Workflows: Define procesos automatizados que coordinen las acciones de los agentes.

   • Integrations: Asegura que la información fluya sin fricciones hacia aplicaciones de terceros, APIs o servicios externos.

     
     

3. Construcción de la ontología en Cody

Para que Cody comprenda cómo encajan estas piezas, se definen relaciones y propiedades específicas, por ejemplo:

• “Detector observa datos”: describe la función de input.

• “Producer genera contenido”: indica la lógica de transformación.

• “Publisher distribuye información”: apunta a la acción de salida.

• “Receiver obtiene retroalimentación”: enfatiza la recepción de nuevo contexto o datos de entrada.

  
  

Con esta base ontológica, el agente no solo sigue pasos mecánicos, sino que también puede “razonar” sobre los datos. Cuando en la capa superior, por ejemplo, un flujo de trabajo (workflow) requiere que se active un análisis profundo (analytics) o que se integre con un servicio externo (integration), el agente sabe qué rol debe desempeñar en cada momento.

4. Integrando conceptos de behavioral design

En línea con los estudios sobre behavioral economics y behavioral design, hemos añadido elementos de diseño de comportamiento (señales, rutinas, recompensas y retroalimentación) que se reflejan en el framework de Cody:

1. Necesidad → Señal → Rutina → Recompensa:

   • Necesidad: Surge un requerimiento o problema que detona la búsqueda de datos o acciones (por ejemplo, un evento importante para el negocio o un prompt del usuario).

   • Señal: El agente (o el sistema) emite una alerta o indicador de que se debe actuar.

   • Rutina: Comienza el flujo de trabajo o proceso (acciones automatizadas u operadas por el usuario).

   • Recompensa: Se obtiene un resultado medible (KPI mejorado, alertas reducidas, satisfacción del usuario) que cierra el ciclo de retroalimentación.

2. Nudging en contexto de obviedad:

   • Gracias a la plataforma de Cody, los usuarios reciben recordatorios, sugerencias o “empujones” (nudges) en el momento oportuno, facilitando la toma de decisiones o acciones correctivas.

   • Estos nudges se van generando de manera proactiva y personalizada gracias a la capa contextual que se va enriqueciendo con interacciones pasadas. En la teoría desarrollada por Fernando Flores esto sería algo así como el contexto de obviedad en el que se dan las interacciones.

3. Gamificación y factores de motivación:

   • Se pueden incorporar dashboards o dinámicas que motiven a los usuarios (o equipos) a seguir buenos hábitos, ver avances en tiempo real y mantener altos niveles de confianza y colaboración.

De este modo, se simplifican los principios de la ciencia del comportamiento y el diseño centrado en el usuario para integrarlos en los flujos que Cody orquesta, manteniendo la ontología y los compromisos de acción claros, tal como propusieron Winograd y Flores.

5. Cody como plataforma phygital: construyendo confianza entre el mundo físico y el digital

Una pieza clave en la visión de Cody es su capacidad para servir como puente seguro entre el mundo físico y el digital, lo que hoy en día se conoce como el mundo phygital. Con base en la ontología descrita, los agentes creados en Cody:

1. Refuerzan la confianza: Al definir con claridad los roles y flujos de cada componente, se establecen mecanismos de trazabilidad y gobernanza de datos, lo que brinda transparencia y fiabilidad en todo el proceso.

2. Integran fuentes del mundo real: Los agentes pueden comunicarse con sensores, dispositivos, plataformas y servicios que operan en el entorno físico (por ejemplo, IoT o sistemas de punto de venta).

3. Sinergia con el entorno digital: Gracias a su arquitectura, Cody permite que estos datos se unan de manera fluida con la analítica y modelos de IA, creando acciones y decisiones que tienen un impacto tangible en el mundo físico.

4. Creación de experiencias híbridas: Desde la interacción con el usuario en interfaces móviles o web, hasta la participación en redes distribuidas (con múltiples nodos y agentes), los agentes en Cody pueden entregar contenido y ejecutar acciones en tiempo real, cerrando el ciclo de retroalimentación entre físico y digital.

Al combinar estas capacidades, la plataforma no solo es capaz de sostener arquitecturas robustas de IA, sino que además facilita la creación de ecosistemas de confianza, donde las decisiones algorítmicas están respaldadas por una ontología clara y procesos auditables. El resultado es un mundo phygital más seguro, eficiente y centrado en la experiencia de las personas.

6. Conclusión

La ontología de un agente es la columna vertebral de cualquier sistema de IA, y los ejemplos presentados —con sus diferentes bloques, flujos y principios de behavioral design— ilustran cómo se orquestan los procesos desde la recolección y detección de datos hasta la publicación de resultados y la retroalimentación de la información. Al diseñar detalladamente la ontología para el agente de IA de Cody, aseguramos que cada pieza realice su función y colabore sin contratiempos con el resto del sistema. Además, la filosofía phygital que Cody promueve, cimentada en una base ontológica sólida y nutrida por enfoques inspirados en Terry Winograd, Fernando Flores, permite unir de forma confiable el mundo físico con el digital, creando experiencias y soluciones robustas, seguras y adaptadas a las necesidades actuales.

Al final, esta conjunción de tecnología y diseño de comportamiento convierte a Cody en un verdadero orquestador de agentes de IA, capaz de responder a necesidades complejas y evolucionar junto con las exigencias del entorno. El resultado: un ecosistema basado en confianza, transparencia y colaboración, que expande las fronteras de lo que es posible en el cruce entre la inteligencia artificial y el mundo real.