10 frases de Harrison Chase, cofundador y consejero delegado de LangChain, sobre los agentes de inteligencia artificial

Harrison Chase es cofundador y Consejero Delegado de Cadena LangChainun marco de código abierto que permite a los desarrolladores crear fácilmente aplicaciones basadas en grandes modelos lingüísticos (LLM). Chase lanzó LangChain en octubre de 2022 mientras trabajaba en la startup de aprendizaje automático Robust Intelligence. El proyecto ganó rápidamente popularidad entre los desarrolladores por sus abstracciones modulares y amplias integraciones que simplifican el proceso de creación de aplicaciones basadas en LLM..

Antes de fundar Cadena LangChainChase dirigió el equipo de ML de Robust Intelligence y el equipo de vinculación de entidades de Kensho, una empresa emergente de tecnología financiera.. Estudió Estadística e Informática en la Universidad de Harvard.. Como Consejero Delegado, Chase ha supervisado el rápido crecimiento de LangChain, con la empresa recaudando más de $30 millones en financiación a una valoración de más de $200M a los pocos meses de su constitución en 2023.

Dadas sus importantes contribuciones al campo de la IA y, en particular, a los agentes de IA, echemos un vistazo a 10 citas de Harrison Chase sobre el tema:

1. "No creo que hayamos dado con la forma correcta de interactuar con estas aplicaciones de agentes. Creo que un humano en el bucle sigue siendo necesario porque no son muy fiables. Pero si está en el bucle demasiado, entonces en realidad no está haciendo que mucha cosa útil. Así que hay una especie de extraño equilibrio".

En este extracto de un presentación con Sequoia Capital, Chase destaca los retos de diseñar interacciones eficaces de los usuarios con agentes de IA. Destaca el delicado equilibrio necesario entre la supervisión humana y la autonomía del agente para garantizar la fiabilidad al tiempo que se maximiza la utilidad del agente.

2. "Los agentes son como mano de obra digital: capaces de navegar automáticamente por la web, navegar por nuestros archivos utilizando nuestras aplicaciones y, potencialmente, incluso controlar nuestros dispositivos por nosotros".

Durante su Charla TEDChase introduce el concepto de agentes de IA como entidades digitales que puede realizar tareasde forma autónoma, como la navegación por Internet, la navegación por archivos y el control de dispositivos. Los compara con una forma de trabajo digital.

3. "Básicamente, utilizamos constantemente una serie de herramientas diferentes para ayudarnos con una tarea determinada. Aquí es donde los agentes son un poco diferentes: en lugar de que nosotros utilicemos esas herramientas, simplemente describimos a una IA cuál es la tarea y cuál es el objetivo final, y entonces ella planifica qué herramientas necesita utilizar y cómo utilizarlas, y luego realmente lo hace por sí misma."

Chase distingue entre el planteamiento tradicional de los humanos que utilizan herramientas para completar tareas y el de los agentes de IA. Con los agentes, los usuarios se limitan a describir la tarea y el objetivo final, y el agente selecciona y utiliza de forma autónoma las herramientas necesarias.

4. "No sólo pueden completar la tarea mucho más rápido que nosotros, sino que, en teoría, ni siquiera necesitaríamos saber cómo utilizar estas herramientas en primer lugar".

En cuanto a las ventajas de los agentes de IA, Chase destaca su potencial para realizar tareas más rápidamente que los humanos. También sugiere que los agentes podrían eliminar la necesidad de que los usuarios tengan conocimientos previos de las herramientas necesarias para la tarea.

5. "Creo que hay probablemente como dos lugares donde va. Uno es como el uso de herramientas más genérico, por lo que tener, ya sabes, los seres humanos especificar un conjunto de herramientas y luego tener agentes utilizan esas herramientas en tipo de formas más abiertas ".

En un entrevistaChase habla de la futura orientación de los agentes de IA. Prevé que los agentes utilicen herramientas especificadas por el usuario de forma más flexible y abierta como un área de desarrollo.

6. "Creo que la idea de la memoria a largo plazo es muy interesante, ya que los agentes recuerdan cosas a lo largo del tiempo y acumulan conocimientos".

Chase identifica la memoria a largo plazo como otra área clave para el avance de los agentes de IA. Le intriga la posibilidad de que los agentes acumulen conocimientos a lo largo del tiempo y los aprovechen para fundamentar sus acciones y decisiones.

7. "Creo que es un paso muy interesante en la idea de agentes más personalizados que sepan más sobre ti".

Profundizando en el concepto de agentes personalizados, Chase explora cómo los agentes podrían condensar la información de las interacciones y preferencias de un usuario a lo largo del tiempo. Esto permitiría una experiencia de agente más adaptada e individualizada.

8. "Creo que esto está resolviendo un gran problema, y es que para todos estos modelos generativos es muy difícil evaluarlos".

Chase aborda el reto de evaluar los modelos generativos. Sugiere que los agentes de IA podrían ayudar a resolver este problema.

9. "Y eso es porque usted no está produciendo como un solo número que usted puede hacer como MSE en o precisión o algo así, ahora tienes como estos, quiero decir, como mínimo, tienes como una respuesta de lenguaje natural ".

Chase profundiza en la dificultad de evaluar los modelos generativos, señalando que sus resultados suelen ser respuestas en lenguaje natural en lugar de métricas fácilmente cuantificables como el error cuadrático medio o la precisión.

10. "Así que creo que es un área que sí, quiero decir, ambos estamos muy entusiasmados, creo, es el uso de modelos de lenguaje en sí para evaluar los resultados de los modelos de lenguaje".

Chase se muestra entusiasmado con la idea de utilizar modelos lingüísticos para evaluar los resultados de otros modelos lingüísticos, ya que lo considera un enfoque prometedor para abordar los retos de la evaluación de modelos generativos.