En el mundo moderno de la inteligencia artificial, se pide cada vez más a las máquinas que resuelvan problemas leyendo grandes cantidades de información. Imagine a un bibliotecario al que se le debe responder una pregunta específica sobre una biblioteca que contiene millones de libros. Un enfoque consiste en leer cada uno de los libros, de principio a fin, antes de intentar dar una respuesta. Otro enfoque consiste en darle al bibliotecario un conjunto de herramientas sencillas: una forma de consultar un catálogo de fichas, caminar hacia un estante específico y leer solo las páginas pertinentes. Este segundo método se basa en la idea de que una máquina puede aprender a navegar por una estructura compleja sin necesidad de memorizarlo todo de antemano. Este es el desafío central de construir agentes que puedan razonar sobre grafos de conocimiento, que son mapas digitales que conectan hechos, conceptos y tablas de datos. El objetivo es crear un sistema que pueda encontrar la información correcta en una red de datos masiva y cambiante, de forma muy similar a como lo haría un experto humano, en lugar de intentar forzar toda la red en un único y abrumador espacio de memoria.

Los investigadores de Oplit han desarrollado un nuevo sistema llamado GRA, un Agente de Razonamiento de Grafos (Graph Reasoning Agent), para probar este enfoque de navegación frente a un método más tradicional. Construyeron un entorno de fábrica simulado, con un gemelo digital de sus operaciones, que incluye reglas sobre cómo se fabrican los productos, datos sobre pedidos y registros del rendimiento de las máquinas. Este entorno, conocido como el Modelo de Conocimiento de Fábrica Unificada, contiene cientos de preguntas analíticas que requieren que el sistema encuentre respuestas específicas conectando diferentes piezas de información. Algunas preguntas piden números simples, mientras que otras requieren que el sistema comprendan reglas complejas, como si un nuevo programa de producción es posible dado el estado actual de la fábrica. Los investigadores querían ver si un agente que explora esta fábrica digital paso a paso, utilizando un pequeño conjunto de herramientas genéricas para buscar información, podía desempeñarse mejor que un agente al que simplemente se le entrega todo el manual de la fábrica y el esquema de la base de datos de una sola vez.

El equipo probó tres formas diferentes de abordar esta tarea. El primer método, que llaman el enfoque de contexto completo, vuelca toda la descripción de la fábrica, incluyendo cada tabla y regla, en la memoria de la inteligencia artificial antes de comenzar. Esto es como entregarle al bibliotecario todo el catálogo de la biblioteca y cada libro del edificio antes de hacer una sola pregunta. El segundo método elimina el mapa por completo, entregando al agente solo una lista de documentos de texto y tablas para buscar, sin las conexiones entre ellos. El tercero, GRA, le da al agente un conjunto de siete herramientas sencillas: puede listar lo que hay cerca, leer los detalles de un artículo específico, buscar palabras, buscar significados, ejecutar una consulta de base de datos, pensar en un plan y, finalmente, dar una respuesta. Crucialmente, el agente no conoce los nombres de las tablas ni de las reglas de antemano; debe descubrirlos utilizando estas herramientas para explorar el grafo.

Los resultados mostraron que el agente que navegaba el grafo paso a paso fue más preciso que el que intentó leerlo todo de una vez. En un conjunto de prueba de 258 preguntas, el agente de navegación respondió correctamente el 88,4 por ciento de las veces, mientras que el agente que leyó el contexto completo respondió correctamente el 83,3 por ciento de las veces. Más importante aún, el agente de navegación logró esta mayor precisión leyendo menos de un tercio de la información que el agente de contexto completo tuvo que procesar. Esto sugiere que, para tareas compleas, es mejor ver menos, pero verlo de manera más selectiva. El agente que lo leyó todo se vio a menudo abrumado por el enorme volumen de texto, mientras que el agente de navegación se centró solo en las piezas específicas de datos necesarias para resolver el problema en cuestión.

Los investigadores también descubrieron que el éxito de este método de navegación dependía en gran medida de la fiabilidad de las herramientas que utilizaba el agente. Cuando el modelo de inteligencia artificial era bueno siguiendo instrucciones y utilizando sus herramientas sin cometer errores, el enfoque de navegación funcionaba muy bien. Sin embargo, cuando el modelo tenía dificultades para usar las herramientas correctamente, la ventaja desaparecía y el método que leía todo de una vez funcionaba mejor. Esto indica que el beneficio de navegar un grafo proviene de la capacidad de obtener exactamente lo que se necesita, pero esto solo funciona si se puede confiar en que el agente lo obtenga correctamente. El estudio encontró que la estructura del propio grafo no era la razón principal de la mejora; más bien, la mejora provino del acto de acceder selectivamente a la información. Incluso cuando se eliminó el grafo y el agente buscó a través de texto plano, superó al método de contexto completo, demostrando que la clave era la estrategia de buscar la información en lugar de leerlo todo.

Para demostrar cómo funciona esto en un escenario del mundo real, los investigadores mostraron cómo el agente manejó una solicitud de un operador de fábrica. El operador preguntó si se podía cumplir una regla específica: que los marcos de aluminio se suelden en una de dos estaciones específicas un lunes. El agente no conocía la respuesta inmediatamente. Comenzó buscando las estaciones de soldadura en el mapa digital. Descubrió que una estación estaba en realidad restringida para soldar únicamente marcos de carbono, una regla que no era obvia en la solicitud del operador pero que estaba almacenada en el grafo. Esto descartó inmediatamente una opción. El agente luego revisó la otra estación y calculó si tenía tiempo suficiente para manejar la carga de trabajo. Comparó las estimaciones de tiempo estándar con los datos históricos reales y encontró que el trabajo real tomaba más tiempo de lo esperado, haciendo que la solicitud fuera imposible de cumplir ese día. El agente devolvió una negativa clara, explicando las dos razones específicas por las cuales la regla no se podía cumplir, e incluso sugirió dos formas de arreglar el programa.

En un segundo ejemplo, un operador preguntó si era posible limitar el número de cambios de color en una línea de montaje a tres por turno. El agente navegó nuevamente el grafo para encontrar la definición de un turno y los registros de la producción pasada. Releyó diez meses de historial para ver con qué frecuencia se habría roto este límite. Encontró que en un pequeño número de días, el límite se habría excedido, pero no con tanta frecuencia como para que la regla fuera imposible de adoptar. El agente conclió que la regla era factible pero con un pequeño riesgo estacional. Una vez que el operador confirmó esto, el sistema tradujo automáticamente la regla a un formato matemático que un solucionador computacional pudiera utilizar para gestionar el programa de la fábrica y, posteriormente, registró esta nueva regla de vuelta en el mapa digital para uso futuro.

Este trabajo demuestra que la inteligencia artificial puede gestionar eficazmente el conocimiento industrial complejo actuando como un investigador hábil en lugar de un lector pasivo. Al utilizar unas pocas herramientas sencillas para explorar una red estructurada de hechos, el sistema puede responder preguntas difíciles con mayor precisión y eficiencia que intentando procesarlo todo a la vez. El estudio muestra que ver menos, pero verlo con un propósito, permite al agente responder mejor. Este enfoque es particularmente valioso a medida que los conjuntos de datos crecen en tamaño y complejidad, volviéndose eventualmente demasiado grandes para caber en un único mensaje de memoria. En estas situaciones, la capacidad de navegar y recuperar información específica se convierte en el único camino viable hacia la toma de decisiones inteligente. Los investigadores concluyen que el siguiente paso es refinar el sistema para que no solo pueda juzgar si una regla es posible, sino también escribir automáticamente el código informático necesario para hacerla cumplir, cerrando el ciclo entre la instrucción humana y la ejecución de la máquina.