Cómo crear un agente con IA

¿Qué hace que un atleta consiga una medalla de oro? El entrenamiento. ¿Qué hace que un músico sea un virtuoso? El entrenamiento. Pero el entrenamiento no solo se aplica a las personas. Ahora, las empresas están descubriendo el valor de entrenar la inteligencia artificial (IA) para ayudarlas a avanzar. Crear y entrenar un agente con IA se está volviendo esencial para el crecimiento, y al enseñar a un agente con IA a comprender el lenguaje humano, puede responder mejor y realizar tareas más útiles que nunca.

A medida que avance la tecnología de IA, estos agentes se volverán más sofisticados y capaces, y cerrarán la brecha entre las expectativas humanas y el rendimiento de la IA. Vamos a ver qué es un agente con IA, cuáles son los conceptos básicos de la creación y el entrenamiento de la IA, y los pasos que hay que seguir para entrenar uno de ellos por su cuenta.

Temas que abordaremos:

• ¿Qué es un agente de IA?
• Introducción a los conceptos básicos de la creación de agentes con IA
• Los 6 pasos que hay que seguir para crear y entrenar agentes con IA
• Cree y entrene su propio agente con IA

Un agente con IA es un programa informático diseñado para ayudar a las personas realizando tareas y respondiendo a preguntas. El término clave aquí es ayudar a las personas.

Los agentes de inteligencia artificial (IA) ayudan con las tareas cotidianas, como la gestión de correos electrónicos y la programación de citas, al aprender con una amplia variedad de entradas lingüísticas. Estas tareas pueden ir desde establecer recordatorios y gestionar horarios hasta proporcionar información como actualizaciones meteorológicas o noticias. Los agentes con IA están programados para comprender y responder al lenguaje humano, lo que hace que las interacciones con ellos sean más naturales y sencillas.

Hay muchos tipos de agentes con IA, incluidos los agentes de asistencia y los agentes autónomos. Un ejemplo de agentes de asistencia son aquellos que se pueden integrar en las herramientas de los empleados para ayudarles con tareas personalizadas que son específicas de su función. Mientras tanto, los agentes autónomos pueden comprender y responder a las consultas de los clientes sin intervención humana. Esto se hace mediante el uso de un generador de agentes, como Agentforce, para crear agentes que operen dinámicamente, en lugar de seguir reglas predefinidas, y que se activen por cambios en los datos y las automatizaciones.

El entrenamiento de un agente con IA está basado en varios pasos clave para garantizar que funcione de forma eficaz y eficiente. Esto incluye la recopilación y preparación de los datos, el entrenamiento del modelo, la evaluación, el ajuste y la implementación. También incluye la supervisión y la actualización de su agente para asegurarse de que se mantenga en línea con sus objetivos. Profundicemos en estos pasos para que pueda aprender a hacerlo por su cuenta.

Crear y entrenar a un agente con IA implica enseñarle a comprender y responder al lenguaje humano de una manera que sea útil y relevante. Desde la IA generativa (GenAI) hasta la IA conversacional, todo gira en torno a sus datos. El entrenamiento incorpora varios conceptos clave de los campos de la inteligencia artificial, en particular el aprendizaje automático y el procesamiento de lenguaje natural (NLP). Repasemos cada uno.

El aprendizaje automático (ML) es un tipo de IA que proporciona a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin necesidad de programarse. Al entrenar a un agente con IA, los algoritmos de aprendizaje automático utilizan datos históricos (ejemplos de interacciones humanas) para detectar patrones y tomar decisiones. Cuantos más datos procese la IA, mejor podrá predecir y responder a las solicitudes de los usuarios.

El procesamiento de lenguaje natural (NLP) es una rama de la IA que se ocupa de la interacción entre ordenadores y personas a través del lenguaje natural. El objetivo es que los ordenadores procesen y comprendan grandes cantidades de datos en lenguaje natural. En el contexto de un agente con IA, el NLP permite que el sistema comprenda, interprete y genere lenguaje humano de una manera tanto natural como significativa.

El etiquetado de datos es un paso clave en el entrenamiento de la IA, que consiste en que las personas anotan los datos agregándoles etiquetas significativas a los datos sin procesar para que la IA pueda entenderlos. Por ejemplo, en el entrenamiento de un agente con IA, el etiquetado de datos puede implicar el etiquetado de partes del habla en oraciones, la identificación del sentimiento de un texto o la categorización de consultas en temas. Posteriormente, estos datos etiquetados actúan como una guía para que la IA aprenda de ellos y los utilice para comprender el contexto y la intención que subyace a las entradas del usuario.

A la hora de crear un agente con IA, el primer paso consiste en definir claramente lo que quiere que haga. Esto implica decidir las tareas y funciones específicas que realizará el agente. A continuación, le explicamos cómo abordar este paso:

En primer lugar, determine las tareas y funciones del agente con IA. Indique los problemas que desea que resuelva el agente con IA o las tareas que desea que gestione. ¿Quiere un agente autónomo? ¿Lo necesita para responder a las consultas de los clientes, ayudar a los usuarios a comprar online o proporcionar información sobre su empresa? Las funciones de su agente con IA deben adaptarse a las necesidades que desea satisfacer.

Por ejemplo, ¿necesita un agente de compras virtual? Este agente ayuda a los usuarios a navegar por las tiendas online, y ofrece consejos de compra personalizados que se basan en las preferencias del usuario y el comportamiento que ha demostrado en compras anteriores. Puede sugerir ideas de regalos, encontrar las mejores ofertas o incluso ayudar con las elecciones relacionadas con la moda.

A continuación, identifique a su público objetivo. Cada usuario tiene diferentes expectativas y formas de interactuar con la tecnología. Por ejemplo, un agente con IA diseñado para profesionales del sector de la asistencia sanitaria podría necesitar comprender y utilizar la terminología médica con precisión.

Además, reflexione sobre los casos de uso o las situaciones específicas en los que se utilizará su agente con IA. Definirlos puede ayudar a aclarar qué funciones y capacidades se necesitan. Por ejemplo, un chatbot de servicio de atención al cliente debe gestionar consultas, reclamaciones y posiblemente transacciones, mientras que un agente de compras virtuales debe tener la capacidad de sugerir productos, comparar precios y comprender las preferencias del usuario.

Al igual que un estudiante aprende con los libros de texto, un agente con IA aprende con los datos. Si los datos son incorrectos o de mala calidad, la IA aprenderá conceptos equivocados y cometerá errores. Los datos de alta calidad garantizan que la IA pueda comprender y procesar con precisión las entradas de los usuarios.

Para entrenar a su agente con IA, debe recopilar datos que reflejen el tipo de interacciones que tendrá con los usuarios. Esto podría incluir:

• Transcripciones de texto: recopile transcripciones de conversaciones de registros de chat, tickets de asistencia o correos electrónicos que sean similares a las interacciones que se van a tener con la IA.
• Grabaciones de voz: si la IA responde a comandos o consultas habladas, las grabaciones de voz son esenciales para ayudarla a comprender diferentes acentos, entonaciones y patrones de habla.
• Registros de interacción: los datos de interacciones anteriores con sistemas similares pueden proporcionar información práctica sobre los comportamientos de los usuarios y las consultas o comandos comunes.

Una vez que tenga sus datos, deben limpiarse para prepararlos para el entrenamiento. Es decir, hay que eliminar datos irrelevantes o incorrectos, corregir errores y garantizar la coherencia en todo el conjunto de datos. Por ejemplo, habría que corregir errores tipográficos en las transcripciones de texto o filtrar el ruido de fondo en las grabaciones de voz.

Y por último, hay que etiquetarlo. Esta tarea consiste en agregar etiquetas (etiquetas o metadatos) para describir lo que representa cada fragmento de dato. Por ejemplo, etiquetar un fragmento de texto con la intención del usuario, como "reservar un vuelo" o "preguntar por el horario de la tienda". Esto ayuda a la IA a comprender el contexto y el propósito de las entradas de usuario.

Este paso consiste en seleccionar el modelo de aprendizaje automático adecuado, que determinará hasta qué punto puede aprender su IA de los datos y realizar las tareas.

Hay dos tipos de aprendizaje automático:

1. Redes neuronales: son modelos potentes que imitan la manera en que funciona el cerebro humano. Son especialmente buenos para procesar grandes cantidades de datos y reconocer patrones, lo que los convierte en ideales para comprender y generar lenguaje humano.
2. Aprendizaje reforzado: este tipo de modelo aprende a través de un sistema de prueba y error al revisar sus acciones para mejorar con el paso del tiempo. Es útil para los agentes de IA que necesitan tomar decisiones u optimizar su comportamiento en función de las interacciones de los usuarios.

Por lo tanto, ¿cómo se puede elegir el modelo adecuado?

Tenga en cuenta las funciones y tareas que desea que realice el agente con IA. Por ejemplo, si el agente necesita comprender y generar respuestas similares a las humanas, una red neuronal podría ser la mejor opción.

Y tenga en cuenta los datos que recopiló. Las redes neuronales, por ejemplo, requieren grandes cantidades de datos para entrenarse de manera efectiva, mientras que el aprendizaje reforzado podría ser adecuado para situaciones en las que la IA puede aprender de las interacciones continuas con los usuarios.

También puede optar por utilizar modelos preentrenados. Son modelos que han sido desarrollados y entrenados por investigadores con grandes conjuntos de datos. Pueden ser un buen punto de partida porque ya han aprendido mucha información general sobre el lenguaje y las interacciones humanas.

Estos son algunos ejemplos de modelos preentrenados:

• GPT ("Generative Pre-trained Transformer", transformador generativo preentrenado): este modelo es excelente para generar texto y se puede ajustar para que realice tareas específicas como responder a preguntas o escribir contenido.
• BERT ("Bidirectional Encoder Representations from Transformers", representaciones de codificador bidireccional de transformadores): conocido por su capacidad para comprender el contexto de una palabra en función de lo que la rodea, lo que hace que sea útil para tareas que requieren una comprensión profunda del lenguaje, como el análisis de los sentimientos o la traducción de idiomas.

Si bien los modelos preentrenados tienen conocimientos amplios, es posible que no estén especializados en las tareas específicas que debe realizar su agente con IA. Tendrá que ajustarlos. El ajuste implica continuar el entrenamiento de un modelo preentrenado en su conjunto de datos específico para que pueda adaptarse a los matices de su aplicación en particular.

Ahora ha llegado el momento de entrenar el modelo de aprendizaje automático con los datos que ha preparado. En este paso es donde su IA comienza a aprender de los ejemplos que ha proporcionado para que en el futuro puede realizar tareas por sí sola.

A continuación se indican cuáles son los pasos necesarios para entrenar a su agente con IA:

1. Configure su entorno: antes de comenzar el entrenamiento, configure su entorno de aprendizaje automático. Por ejemplo, prepare la instalación de bibliotecas de software y marcos que se necesitan para el aprendizaje automático.
2. Cargue sus datos: importe los datos limpios y etiquetados en su entorno para que puedan usarse para el entrenamiento.
3. Divida los datos: divida sus datos en al menos dos conjuntos: entrenamiento y pruebas. El conjunto de entrenamiento es lo que se usará para enseñar al modelo, y el conjunto de pruebas se usa para evaluar el grado de eficacia en el aprendizaje del modelo.
4. Elija un modelo: En función de esta decisión, inicialice el modelo de aprendizaje automático que desea entrenar.
5. Configure los parámetros de entrenamiento: establezca los parámetros que guiarán el proceso de entrenamiento. Esto incluye la tasa de aprendizaje, el tamaño del lote y el número de épocas ("epoch" en inglés). La tasa de aprendizaje determina cuánto ajusta el modelo sus parámetros como respuesta a los errores observados durante el procesamiento de datos. El tamaño del lote es el número de muestras de datos vistas por el modelo antes de que actualice sus parámetros internos. Y el número de épocas, que representa los ciclos completos de todo el conjunto de datos de entrenamiento, afecta a la profundidad del aprendizaje. La mayoría de las épocas proporcionan al modelo más oportunidades para aprender de los datos.
6. Entrene el modelo: comience el proceso de entrenamiento. El modelo utilizará los datos de entrenamiento para aprender, y ajustará sus parámetros internos para minimizar los errores.
7. Supervise el proceso de entrenamiento: realice un seguimiento de las métricas de rendimiento, como la precisión o la pérdida durante el entrenamiento. Estas métricas le indicarán la eficacia con la que está aprendiendo el modelo. Si el modelo no funciona de la forma prevista, es posible que deba ajustar los parámetros de entrenamiento. Por ejemplo, si la pérdida de entrenamiento no disminuye, plantéese la posibilidad de reducir la tasa de aprendizaje.

El desarrollo de un agente con IA implica probar y validar el sistema para garantizar que funcione de la forma prevista y cumpla con los objetivos que ha establecido. Este paso le ayuda a identificar y solucionar cualquier problema antes de que el agente con IA se implemente por completo.

Comience ejecutando el agente con IA a través de una serie de tareas o consultas predefinidas para ver cómo responde. Es como hacerle un miniexamen para ver si aprendió lo que se suponía que debía aprender.

Mida la precisión y la eficiencia con la que el agente con IA realiza las tareas. Compruebe si las respuestas son correctas, cuánto tiempo tarda en responder y si las interacciones son fluidas.

A continuación, elija entre los diferentes métodos de pruebas:

• Pruebas de unidades: pruebe componentes o partes individuales del agente con IA para asegurarse de que cada uno funciona correctamente de manera independiente.
• Pruebas de usuario: invite a usuarios reales a probar el agente con IA en configuraciones controladas. Esto le ayuda a ver cómo se desenvuelve el agente en situaciones del mundo real y cómo interactúan los usuarios con él.
• Pruebas A/B: compare dos versiones del agente con IA entre sí para determinar cuál funciona mejor. Por ejemplo, puede probar dos estilos de respuesta o flujos de interacción diferentes para ver cuál es más eficaz.

Tenga en cuenta el sobreajuste y el bajo rendimiento. El sobreajuste se produce cuando un agente con IA tiene un buen rendimiento en los datos de entrenamiento, pero malo en los datos nuevos y que nunca ha visto. Para solucionar el sobreajuste, puede usar técnicas como la validación cruzada, en la que se rotan los datos que se utilizan para el entrenamiento y las pruebas con el fin de asegurarse de que el modelo generalice correctamente.

Y si el agente con IA no está rindiendo a la altura de las expectativas, considere la posibilidad de volver a repasar la fase de entrenamiento para ajustar los parámetros, agregar más datos o incluso volver a entrenar el modelo.

Configure mecanismos para recopilar comentarios de los usuarios, como encuestas, formularios de comentarios o entrevistas directas. Preste atención a lo que a los usuarios les gusta y a lo que no les gusta, y a lo que les resulta confuso. Utilice los comentarios para realizar mejoras continuas en el agente con IA. Con estos datos, puede ajustar los flujos de conversación, entrenar el modelo con más datos o ajustar la interfaz de usuario.

Finalmente, ha llegado el momento de implementar su agente con IA en un entorno en vivo y descubrir cómo interactúa la IA con los usuarios reales.

Decida dónde desea implementar el agente con IA: en su sitio web, en una aplicación móvil o en una plataforma activada por voz. A continuación, integre el agente con IA en la plataforma elegida. Esto puede implicar la incrustación de código en una web, la configuración del agente en una aplicación móvil o la implementación del agente con las API de una plataforma de voz.

Una vez integrado, inicie el agente con IA para comenzar a interactuar con los usuarios. Asegúrese de que todos los sistemas de asistencia estén correctamente implementados para que el inicio se lleve a cabo sin problemas.

Compruebe periódicamente el rendimiento del agente con IA. ¿Entiende correctamente las consultas de los usuarios? ¿Cómo gestiona las conversaciones complejas? Puede utilizar herramientas que proporcionen información práctica en tiempo real sobre el rendimiento del agente con IA. Estas herramientas pueden mostrarle los plazos de respuesta, las tasas de éxito y los niveles de satisfacción del usuario.

Puede hacerlo recopilando los comentarios de los usuarios directamente a través de la plataforma mediante sistemas de puntuación, comentarios o enlaces directos a encuestas después de las interacciones con el agente con IA. También puede configurar el registro de errores para detectar cuándo las cosas van mal. Podrá recibir notificaciones si hay un aumento repentino en los errores o una disminución del rendimiento para que pueda actuar rápidamente.

Al implementar el agente con IA de forma cuidadosa y configurar sistemas de supervisión, puede asegurarse de que no solo se ponga en marcha con gran eficacia, sino que también se adapte y mejore con el tiempo, y que continúe satisfaciendo las necesidades y expectativas de los usuarios.

¡Esto completa su entrenamiento! Crear y entrenar a su propio agente con IA puede parecer una tarea de gran envergadura, pero con Salesforce está a la vanguardia de la innovación tecnológica que hace que su empresa prospere. Obtenga acceso a herramientas y marcos de vanguardia que simplifican el proceso de entrenamiento para garantizar que su agente con IA sea inteligente y eficiente. A medida que vaya aprovechando el potencial de la IA, alcanzará nuevos niveles de productividad e información práctica, y transformará los datos en estrategias prácticas para el crecimiento.

Dé la bienvenida al futuro hoy mismo trazando el recorrido de sus agentes con Salesforce y prepare el escenario para un entorno empresarial más inteligente y conectado.

Caylin White es jefa de contenidos y directora de crecimiento para pequeñas empresas en Salesforce. Ha escrito contenido durante más de 15 años para muchos sectores de SaaS, como WordPress y BuzzSumo. Se especializa en SEO, pero sin duda agrega un toque humano a cualquier contenido.