Factored Reasoning with Inner Speech and Persistent Memory for Evidence-Grounded Human-Robot Interaction

Resumen Técnico: Razonamiento Factorizado con Habla Interna y Memoria Persistente para la Interacción Humano-Robot Basada en Evidencia

Planteamiento del Problema
La transición de los robots de asistencia desde demostraciones controladas hacia un despliegue prolongado en el mundo real (por ejemplo, en entornos sanitarios o domésticos) requiere sistemas que puedan mantener un comportamiento consistente durante días o meses, no solo durante sesiones individuales. Las arquitecturas cognitivas actuales basadas en Modelos de Lenguaje de Gran Escala (LLM) suelen tener dificultades con tres restricciones críticas en interacciones de largo horizonte: (i) detectar cuándo falta información esencial, (ii) distinguir la evidencia recuperada de las inferencias no sustentadas y (iii) decidir cuándo solicitar una aclaración en lugar de proceder con planes insuficientemente especificados. Un desafío significativo es la tensión entre "expresividad y control"; si bien los LLM ofrecen un razonamiento potente, a menudo colapsan la deliberación, la invocación de herramientas y la explicación en un único paso de generación. Este acoplamiento dificulta la verificación de las decisiones intermedias, conlleva el riesgo de acumular suposiciones no verificadas en los modelos de usuario y puede derivar en respuestas "seguras pero incorrectas" que socavan la confianza y la seguridad.

Metodología: La Arquitectura JANUS
El artículo presenta JANUS, una arquitectura cognitiva diseñada para abordar estos desafíos modelando la interacción humano-robot como un Proceso de Decisión de Markov Parcialmente Observable (POMDP). La innovación central es un controlador factorizado que descompone la interacción en módulos especializados y tipados con interfaces explícitas, separando la lógica de control interna de la comunicación externa.

Los componentes clave de la arquitectura incluyen:

1. Pipeline de Razonamiento Factorizado: El sistema descompone el mapeo de entrada-salida en un grafo computacional de agentes:

   • Detección de Alcance (Scope Detection): Identifica el dominio de interacción activo.
   • Reconocimiento de Intención y Post-procesamiento: Mapea peticiones de lenguaje libre a esquemas de tareas estructurados con parámetros tipados.
   • Agente de Memoria: Un componente con estado que gestiona una estructura de memoria de tres niveles: un búfer de historial reciente limitado ($H_t$), una memoria central compacta ($C_t$) y un almacén de archivo ($A_t$). Emplea una puerta de suficiencia de información para decidir si la recuperación de archivos es necesaria, asegurando que el contexto de trabajo ($W_t$) permanezca acotado y coherente.
   • Habla Interna (Inner Speech): Un canal de control interno que valida la intención, comprueba la completitud de los parámetros y garantiza la preparación de la ejecución. Decide si el robot debe proceder, pedir una aclaración, cambiar de dominio o rechazar una petición. Crucialmente, este canal es distinto de la salida hacia el usuario.
   • Generación de Consultas (Query Generation): Produce llamadas a herramientas ejecutables (por ejemplo, consultas a bases de datos) solo cuando se requiere evidencia externa.
   • Habla Externa (Outer Speech): Genera respuestas dirigidas al humano condicionadas por un paquete de evidencia ($B_t = W_t \cup E_t$), asegurando que las afirmaciones estén fundamentadas en los datos recuperados o marcadas explícitamente como valores predeterminados seguros.

2. Habla Interna y Control: Inspirado en teorías cognitivas, el "Habla Interna" en JANUS actúa como un flujo textual de control orientado. Valida que todos los parámetros requeridos para un esquema de tarea estén presentes antes de permitir la fundamentación. Si la información es insuficiente, activa un turno de aclaración mediante el Habla Externa en lugar de alucinar valores predeterminados.

3. Gestión de Memoria: La memoria se trata como un recurso gestionado en lugar de un registro ilimitado. El sistema utiliza políticas de consolidación y revisión controladas. Cuando el búfer histórico excede su capacidad, los rastros se resumen y se fusionan en la memoria central; cuando la memoria central excede su presupuesto, los hechos de menor prioridad se transfieren al almacén de archivo. Esto asegura que la persistencia sea acotada, coherente y auditable.

4. Capa de Personalización: Para soportar la operación multi-dominio, JANUS incluye una capa de personalización en tiempo de ejecución que encapsula esquemas, herramientas y prompts específicos de cada dominio sin alterar la lógica de razonamiento central. Esto permite al sistema cambiar entre dominios (por ejemplo, asesoramiento dietético, planificación de viajes) de forma dinámica.

Contribuciones Claves
El artículo reclama tres contribuciones primarias:

1. Una Arquitectura Factorizada Modular y Aumentada con Memoria: JANUS separa explícitamente el habla interna (control/verificación) del habla externa (comunicación). Esta separación permite optimizar la deliberación interna para la verificación y la preparación, mientras que la comunicación externa se optimiza para la claridad y la calibración de la confianza.
2. Una Interfaz de Gestión de Diálogo para el Cambio de Multi-dominio: La arquitectura permite el cambio en tiempo de ejecución entre dominios mediante la encapsulación de esquemas y herramientas específicas, manteniendo invariantes los módulos de razonamiento central.
3. Un Agente de Memoria Dedicado: Un componente con estado con capacidades de consolidación jerárquica que trata la persistencia como un módulo gestionado con políticas de actualización explícitas, evitando la acumulación de historial no estructurado.

Evaluación Experimental y Resultados
Los autores evaluaron JANUS utilizando pruebas unitarias a nivel de módulo en un dominio de asistencia dietética (el dominio "Asesor"), fundamentado en un grafo de conocimiento (Neo4j). La evaluación se centró en la corrección de las variables intermedias más que en la calidad de la respuesta de extremo a extremo.

• Resultados Cuantitativos:
  • Detección de Alcance: Alcanzó un 98.50% de precisión en 11 dominios más un caso de reserva (fallback), manteniendo un alto rendimiento incluso con dominios semánticamente superpuestos.
  • Reconocimiento de Intención: Logró un 100.00% de precisión en la selección de tareas y una puntuación F1 de 1.00 para la extracción de parámetros.
  • Habla Interna: Obtuvo un 100.00% de precisión en la determinación de la preparación de la ejecución (es decir, identificando correctamente cuándo se necesita una aclaración).
  • Generación de Consultas: Generó consultas Cypher con un 100.00% de validez (todas se ejecutaron con éxito) y una puntuación de solapamiento del 96.70% con los resultados de referencia curados.
• Latencia y Eficiencia: Los tiempos de respuesta medianos por turno variaron desde 0.26s (Reconocimiento de Intención) hasta 0.81s (Habla Interna). El sistema señaló que la latencia depende del escenario, siendo las respuestas respaldadas por evidencia aproximadamente de 2.46s. La Generación de Consultas fue el módulo que requirió más tokens.
• Evaluación Cualitativa: Un protocolo mixto (calificaciones humanas y juicio automático G-Eval) evaluó los resultados textuales. Los resultados confirmaron la hipótesis arquitectónica: el Habla Externa fue calificada con la puntuación más alta en claridad y utilidad, mientras que el Habla Interna y la Detección de Alcance (rastros de control) fueron calificadas más bajo cuando se juzgaron como texto independiente. Esto respalda la afirmación de que el texto de control interno está optimizado para la toma de decisiones, no para la legibilidad humana. Se encontró que el juicio automático (G-Eval) sobreestimaba sistemáticamente la calidad de los rastros orientados al control en comparación con los evaluadores humanos.

Significancia y Reivindicaciones
El artículo postula que el razonamiento factorizado es un camino prometedor hacia una asistencia robótica escalable, auditable y basada en evidencia. Al separar explícitamente las decisiones de control de la comunicación, JANUS pretende:

• Evitar la acumulación de suposiciones no verificadas en los modelos de usuario a largo plazo.
• Asegurar que las afirmaciones del robot estén vinculadas a un paquete de evidencia, mejorando la fidelidad y la calibración de la confianza.
• Proporcionar un bucle de control verificable donde las decisiones intermedias (selección de dominio, intención, preparación) puedan ser inspeccionadas y medidas.

Los autores mantienen la modestia respecto al alcance actual, señalando que la evaluación se basa en pruebas unitarias curadas y un único dominio. Reconocen que los resultados aún no capturan los bucles de retroalimentación de múltiples turnos, la recuperación de errores ascendentes o la dinámica de la confianza en despliegues encarnados en el mundo real. Se identifica que el trabajo futuro es necesario para evaluar estos factores mediante estudios longitudinales de extremo a extremo con usuarios reales.