La Anatomía del Deber: El Marco PEAS

Para que un agente actúe con sabiduría, primero debemos definir con precisión quirúrgica cuál es su misión. El marco PEAS (Performance, Environment, Actuators, Sensors) es la brújula que nos permite describir los límites y objetivos de cualquier sistema inteligente.

Los Cuatro Pilares del Diseño

Al enfrentarnos al diseño de un nuevo agente, debemos responder a cuatro preguntas fundamentales que definirán su existencia:

  1. Medida de Desempeño (Performance): Es el árbitro del éxito. ¿Bajo qué vara mediremos si el agente ha triunfado o ha fracasado en su encargo?

  2. Entorno (Environment): Es el escenario donde ocurre la acción. ¿Qué elementos externos dictan las reglas del juego?

  3. Actuadores (Actuators): Son las manos del agente. ¿Qué medios posee para alterar el estado del mundo?

  4. Sensores (Sensors): Son los ojos y oídos. ¿Cómo percibe la realidad antes de tomar una decisión?

La medida de desempeño debe ser externa. Si permitimos que el agente defina su propio éxito, es probable que encuentre un "atajo" para sentirse satisfecho sin haber cumplido su tarea real.

Modelando PEAS en Elixir

El marco PEAS se traduce de forma natural a una estructura de datos en Elixir:

defmodule PEAS do
  @moduledoc """
  Estructura para describir formalmente la tarea de un agente.
  """

  defstruct [
    :agente,
    :desempeño,
    :entorno,
    :actuadores,
    :sensores
  ]

  def taxi_autonomo do
    %__MODULE__{
      agente: "Taxi Autónomo",
      desempeño: [:seguridad, :velocidad, :legalidad, :ahorro],
      entorno: [:rutas, :trafico, :peatones, :clima],
      actuadores: [:volante, :acelerador, :freno, :claxon],
      sensores: [:camaras, :lidar, :gps, :odometro]
    }
  end
end

Muestrario de Entornos de Tareas

Observemos cómo se descompone la realidad de diferentes agentes bajo este marco:

Tipo de Agente Desempeño Entorno Actuadores Sensores

Taxi Autónomo

Seguridad, velocidad, legalidad, ahorro.

Rutas, tráfico, peatones, clima variable.

Volante, acelerador, freno, claxon.

Cámaras, LIDAR, GPS, odómetro.

Sistema médico

Salud del paciente, costos, precisión.

Paciente, hospital, historial.

Pantalla con diagnósticos y alertas.

Teclado, entrada de síntomas.

Clasificador de Piezas

Rapidez, precisión en la caja correcta.

Cinta transportadora, piezas.

Brazo robótico, pinza neumática.

Cámaras, sensores de peso.

Scribe Docs (IA)

Claridad, estructura, veracidad.

Archivos fuente, código, usuario.

Generación de archivos .adoc.

Lectura de archivos, feedback.

Propiedades del Mundo

No todos los escenarios son igualmente amables. La complejidad de un agente nace, en gran medida, de la naturaleza de su entorno. Cada propiedad modifica radicalmente las estrategias disponibles:

Propiedad Descripción Implicación para el agente

Observable (Total vs. Parcial)

¿Puede el agente ver todo el estado del entorno en cada momento?

Si es parcialmente observable, necesita un modelo interno para recordar lo que no puede ver.

Determinista vs. Estocástico

¿El siguiente estado está completamente determinado por el estado actual y la acción del agente?

En entornos estocásticos, el agente debe razonar sobre probabilidades y manejar la incertidumbre.

Episódico vs. Secuencial

¿Cada decisión es independiente, o las acciones actuales afectan las futuras?

En entornos secuenciales, el agente debe planificar a largo plazo y considerar consecuencias.

Estático vs. Dinámico

¿Se detiene el mundo mientras el agente delibera?

En entornos dinámicos, pensar demasiado es una forma de actuar mal. El agente debe balancear velocidad y calidad.

Discreto vs. Continuo

¿Los estados, perceptos y acciones son finitos o infinitos?

Los entornos continuos (como la conducción) requieren técnicas de aproximación y muestreo.

Agente Único vs. Multi-Agente

¿Existen otros agentes en el entorno?

En sistemas multi-agente surgen fenómenos de cooperación, competencia y comunicación.

Clasificación de los Ejemplos

¿Cómo se comparan los agentes de nuestro muestrario bajo estas propiedades?

Agente Observable Determinista Episódico Estático Discreto Multi-Agente

Taxi Autónomo

Parcial

Estocástico

Secuencial

Dinámico

Continuo

Sí

Sistema Médico

Parcial

Estocástico

Secuencial

Estático

Discreto

No

Clasificador de Piezas

Total

Determinista

Episódico

Dinámico

Discreto

No

Scribe Docs

Total

Determinista

Episódico

Estático

Discreto

No

Diseñar un agente para un mundo parcialmente observable y estocástico es el mayor de los retos: el agente debe actuar en la niebla y bajo la incertidumbre del azar. El Taxi Autónomo es, sin duda, el problema que exige la mayor sofisticación de todos los presentados.