En inteligencia artificial, los agentes reactivos son sistemas autónomos que seleccionan acciones basándose en estímulos actuales sin depender de un modelo interno del mundo. Son un concepto clave en la planificación reactiva, un grupo de técnicas para la selección de acciones que difieren de la planificación clásica en dos aspectos: operan de manera oportuna, enfrentando entornos altamente dinámicos e impredecibles, y calculan solo una próxima acción en cada instante basándose en el contexto actual. El término planificación reactiva data de al menos 1988 y es sinónimo del término más moderno planificación dinámica.
Los agentes reactivos no mantienen un estado interno persistente, como un modelo del mundo o memoria de eventos pasados. En cambio, responden directamente a las entradas de sensores o señales ambientales, lo que los hace simples, rápidos y robustos en condiciones cambiantes. Esto contrasta con los agentes deliberativos que planifican secuencias de acciones mediante razonamiento simbólico. Los agentes reactivos a menudo se implementan utilizando planes reactivos, que son estructuras almacenadas que describen las prioridades y el comportamiento del agente.
Representación de Planes Reactivos
Los planes reactivos pueden representarse de varias maneras, cada una requiriendo una unidad representacional básica y un medio para componer estas unidades en planes. Las representaciones comunes incluyen reglas de condición-acción, máquinas de estados finitos, lógica difusa y redes conexionistas.
Reglas de Condición-Acción
Una regla de condición-acción, o regla si-entonces, es una regla de la forma: si condición entonces acción. Estas reglas se denominan producciones. El significado es directo: si la condición se cumple, se realiza la acción. La acción puede ser externa (por ejemplo, recoger algo) o interna (por ejemplo, escribir un hecho en la memoria o evaluar un nuevo conjunto de reglas). Las condiciones son normalmente booleanas, y las acciones se realizan o no.
Las reglas de producción pueden organizarse en estructuras planas o jerárquicas. Por ejemplo, la arquitectura de subsumción consiste en capas de comportamientos interconectados, cada una una máquina de estados finitos que responde a la entrada apropiada. Estas capas se organizan en una pila, con capas superiores que subsumen los objetivos de las inferiores. Otros sistemas usan árboles o incluyen mecanismos para cambiar qué subconjunto de reglas es actualmente más importante. Las estructuras planas son fáciles de construir pero permiten solo comportamientos simples o requieren condiciones complejas para compensar la falta de estructura.
Una parte importante de la selección de acciones distribuida es la resolución de conflictos, que resuelve conflictos cuando las condiciones de múltiples reglas se cumplen simultáneamente. Los métodos incluyen asignar prioridades fijas, asignar preferencias (como en la arquitectura Soar), aprender utilidades relativas (como en ACT-R), o explotar una forma de planificación. Los sistemas expertos a menudo usan heurísticas más simples como la recencia, pero garantizar un buen comportamiento en sistemas grandes con enfoques simples es difícil. La resolución de conflictos es necesaria solo para reglas que proponen acciones mutuamente excluyentes.
Máquinas de Estados Finitos
Una máquina de estados finitos (FSM) es un modelo de comportamiento de sistemas ampliamente utilizado en ciencias de la computación. Para el comportamiento de agentes, una FSM típica consiste en estados y transiciones entre ellos. Las transiciones son reglas de condición-acción de la forma: si condición entonces activar-nuevo-estado. En cada instante, solo un estado está activo, y sus transiciones se evalúan. Las transiciones también pueden conectarse al mismo estado para permitir ejecutar acciones de transición sin cambiar de estado.
El comportamiento puede producirse de dos maneras: los estados pueden asociarse con acciones atómicas (actos) o con guiones. Un acto se realiza cada paso de tiempo que el estado está activo. Más a menudo, cada estado se asocia con un guion que describe una secuencia de acciones; si una transición activa un nuevo estado, el guion anterior se interrumpe y el nuevo comienza. Los guiones complejos pueden descomponerse en FSM jerárquicas, donde los estados contienen subestados. Las FSM jerárquicas son computacionalmente equivalentes a las FSM estándar pero facilitan el diseño. Un ejemplo es el uso de FSM jerárquicas para bots de juegos de computadora, como describió Damian Isla en 2005.
Enfoques Difusos
Las reglas si-entonces y las FSM pueden combinarse con lógica difusa, haciendo que condiciones, estados y acciones sean aproximados y suaves en lugar de booleanos. Esto resulta en un comportamiento más suave, especialmente durante transiciones de tareas. Sin embargo, evaluar condiciones difusas es mucho más lento que evaluar contrapartes nítidas. Arquitecturas como las propuestas por Alex Champandard han explorado este enfoque.
Enfoques Conexionistas
Los planes reactivos también pueden expresarse utilizando redes conexionistas, como redes neuronales artificiales o jerarquías de flujo libre. La unidad básica tiene enlaces de entrada que alimentan actividad abstracta y enlaces de salida que propagan actividad a unidades siguientes. Las unidades actúan como transductores de actividad, típicamente conectadas en estructuras en capas. Las ventajas incluyen un comportamiento más suave, adaptabilidad y la capacidad de usar inhibición para descripción proscriptiva. Las desventajas incluyen dificultad en diseñar comportamiento y limitaciones a comportamientos relativamente simples, especialmente cuando se requiere adaptabilidad.
Algoritmos de Planificación Reactiva
Los algoritmos típicos de planificación reactiva evalúan reglas si-entonces o calculan el estado de una red conexionista. Algunos algoritmos tienen características especiales. Por ejemplo, el algoritmo de evaluación Rete usa una caché del paso anterior para evitar reevaluar todas las reglas en cada paso de tiempo, mejorando la eficiencia. Los lenguajes de guion también pueden usarse, donde reglas o FSM son primitivas de una arquitectura, permitiendo un desarrollo flexible y rápido.
Aplicaciones e Importancia
Los agentes reactivos se usan ampliamente en robótica, juegos de computadora y sistemas de simulación donde los entornos son dinámicos e impredecibles. Son un concepto fundamental en inteligencia artificial, contrastando con enfoques más deliberativos. La simplicidad y velocidad de los agentes reactivos los hacen adecuados para control en tiempo real, como en vehículos autónomos y personajes de juegos. La investigación en esta área ha influido en campos como aprendizaje automático y redes neuronales, donde se implementan planes reactivos conexionistas.
Limitaciones y Extensiones
Los agentes reactivos carecen de la capacidad de planificar con anticipación o razonar sobre consecuencias a largo plazo, lo que limita su uso en tareas que requieren pensamiento estratégico. Sin embargo, pueden combinarse con sistemas deliberativos en arquitecturas híbridas. Las extensiones incluyen FSM jerárquicas, lógica difusa y mecanismos de aprendizaje para adaptar el comportamiento con el tiempo. El campo continúa evolucionando con avances en aprendizaje profundo y grandes modelos de lenguaje, aunque los agentes reactivos siguen siendo un enfoque distinto y práctico para muchas aplicaciones en tiempo real.