Título: La ingeniería de bucles, el nuevo paradigma para la inteligencia artificial autónoma
La tecnología de inteligencia artificial generativa ha avanzado con rapidez, desafiando las advertencias de expertos que sostenían que debía frenarse. En solo tres años, la ingeniería de prompts, que requería a los usuarios revisar detalladamente las instrucciones dadas a los modelos de lenguaje natural, ha quedado en segundo plano. En su lugar, se está impulsando la llamada "ingeniería de bucles", un enfoque que permite a los agentes autónomos resolver problemas por sí mismos, sin necesidad de supervisión humana constante.
Título: La ingeniería de bucles, el nuevo paradigma para la inteligencia artific
Omar Martínez, CTO de la empresa tecnológica SDi, explica que esta nueva modalidad se basa en enseñar a la inteligencia artificial a trabajar por pasos: analizar lo que debe hacer, actuar, revisar el resultado y repetir hasta completar la tarea o alcanzar el número máximo de intentos establecidos. En otras palabras, la ingeniería de bucles busca suplir la necesidad de instrucciones estáticas, permitiendo que el modelo aprenda y corrija errores en tiempo real.
La diferencia técnica entre la ingeniería de prompts y la de bucles es clara. Mientras las instrucciones en prompts son estáticas, los bucles permiten corregir y adaptar instrucciones durante la ejecución, sin la necesidad de revisar constantemente el prompt. "El prompt engineering se centra en formular bien una petición para obtener una buena respuesta en un momento concreto. El loop engineering va un paso más allá: busca que la inteligencia artificial sea capaz de avanzar sobre una tarea, revisar lo que ha hecho, corregir errores y continuar hasta alcanzar un resultado válido", explica Martínez.
Este cambio representa uno de los avances más significativos en la inteligencia artificial recientemente. En lugar de simplemente predecir el siguiente movimiento, los modelos ahora pueden planificar, evaluar alternativas y descartar caminos que puedan dar lugar a errores. Incluso se han realizado estudios que han analizado la fiabilidad de modelos como GPT, demostrando que la precisión puede aumentar significativamente al pasar de prompts a bucles. Por ejemplo, un estudio encontró que la precisión de AlphaCodium mejoró del 19% con prompts al 44% con bucles, lo que representa un aumento del 131%. Esto sugiere que la fiabilidad no depende del modelo en sí, sino de este enfoque de ingeniería de bucles.