La revolución de los Modelos de Lenguaje Extendido (LLMs, por sus siglas en inglés) ha dinamizado la manera en que las grandes organizaciones manejan las consultas de los usuarios al implementar sofisticados sistemas de orquestación con Planificación de Inteligencia Artificial clásica. Un equipo de investigación de Intuit AI ha propuesto una innovadora metodología para solventar las frecuentes carencias de información en las solicitudes de usuario, integrando razonamiento lógico y planificación con LLMs, destacando la fiabilidad de su enfoque frente a métodos anteriores.
Los expertos de Intuit han desarrollado un mecanismo utilizando LLMs con programación lógica en ASP (Answer Set Programming) para transformar consultas naturales en representaciones comprensibles por sistemas automatizados de planificación. En especial, se utiliza un “get_info_api”, un API diseñado para reunir datos faltantes, y de este modo asegurar que todas las acciones requeridas pueden darse, incluso cuando la información de entrada no es completa. Este enfoque permite un flujo de datos eficiente entre las APIs, permitiendo mejorar significativamente la tasa de éxito en la respuesta a preguntas complejas de los usuarios.
Evaluaciones rigurosas demostraron que esta solución supera con creces los métodos basados únicamente en LLMs, consiguiendo una tasa de éxito superior al 95% para consultas con uno o varios objetivos, tanto completas como incompletas. Los resultados positivos reflejan la efectividad del uso combinado de LLMs, razonamiento lógico, y planificadores de IA para lidiar con complejidades y restricciones en la orquestación de APIs.
Es un avance significativo para grandes organizaciones que buscan optimizar la interacción con sus clientes y usuarios, proporcionando respuestas precisas y a medida a través de un sistema robusto y escalable. La evaluación realizada empleó varias APIs de Intuit, con resultados concluyentes que impulsan esta metodología como un referente en la resolución efectiva de consultas incompletas.
Como conclusión, mientras que las herramientas existentes priorizan error-prone aproximaciones basadas exclusivamente en modelos de lenguaje, la incorporación de un planificador de IA clásico no sólo mejora la precisión de las respuestas, sino que asegura una mayor adaptabilidad a consultas con variables intrínsecas y complejas necesidades de planificación. Este marco promete una evolución sustancial en cómo las organizaciones gestionan sus sistemas de atención al cliente y sus operaciones internas, asegurando la máxima eficiencia y satisfacción del usuario.