Resumen:Desarrollamos algoritmos para el control colaborativo de agentes y críticos de IA en un sistema federado de múltiples agentes, múltiples actores y críticos. Cada agente y crítico de la IA tiene acceso al aprendizaje automático clásico o a los modelos básicos de la IA generativa. Los agentes y críticos de IA colaboran con un servidor central para completar tareas multimodales como detección de fallas, gravedad y análisis de causas en un sistema de telemetría de red, generación de texto a imagen, generación de video, diagnóstico de atención médica a partir de imágenes médicas y registros de pacientes, etc. Los agentes de IA completan sus tareas y las envían a los críticos de IA para su evaluación. Luego, los críticos envían comentarios a los agentes para mejorar sus respuestas. De manera colaborativa, minimizan el costo general para el sistema sin comunicación entre agentes o entre críticos. Los agentes y críticos de la IA mantienen en privado sus funciones de costos o derivados de funciones de costos. Utilizando técnicas de aproximación estocástica de múltiples escalas de tiempo, brindamos garantías de convergencia sobre los estados activos promedio en el tiempo de los agentes y críticos de la IA. La sobrecarga de comunicación depende un poco del sistema, del orden de $mathcal{O}(m)$, para $m$ modalidades y es independiente del número de agentes y críticos de IA. Finalmente, presentamos un ejemplo de detección de fallas, gravedad y análisis de causas en telemetría de red y una evaluación exhaustiva para verificar la eficacia del algoritmo.
Publicado originalmente en export.arxiv.org el 1 de abril de 2026.
Ver fuente original
