Aunque ofrece grandes ventajas en rendimiento y escala, también plantea retos muy específicos.

1. Principales Desafíos de la IA Distribuida

📡 Latencia y Comunicación

• El problema: Los nodos de IA necesitan enviarse millones de datos, parámetros o gradientes para mantenerse sincronizados. Si la red es lenta o inestable, todo el sistema se vuelve lento.

• Impacto: Un solo nodo con mala conexión puede convertirse en un cuello de botella para todo el grupo.

🚦 Ejemplo: Semáforos Inteligentes en una Ciudad

• Cómo funciona: Cada intersección vial tiene un agente de IA que controla los tiempos del semáforo según el tráfico local. Cada semáforo habla con sus semáforos vecinos para crear una "marea verde" y evitar embotellamientos en toda la ciudad.

  
  

• Automatiza tareas repetitivas.

• Aumenta la productividad.

• Analiza grandes volúmenes de datos rápidamente.

• Reduce errores humanos.

• Funciona 24/7 sin descanso.

• Personaliza el aprendizaje y los servicios.

• Apoya la toma de decisiones.

Desventajas de la Inteligencia Artificial (IA)

• Puede reemplazar algunos empleos.

• Depende de datos de buena calidad.

• Puede generar respuestas incorrectas o sesgadas.

• Requiere inversión y mantenimiento.

• Presenta riesgos para la privacidad y seguridad.

• Carece de emociones y juicio humano.

• Puede fomentar la dependencia tecnológica.

Es el tipo más común de IA distribuida.

• Está formado por varios agentes inteligentes autónomos.

• Cada agente tiene sus propios objetivos y conocimientos.

• Los agentes cooperan o compiten para alcanzar un objetivo común o individual.

2. Inteligencia de Enjambre

Está inspirada en el comportamiento de animales como hormigas, abejas o aves.

Características:

• No existe un líder central.

• Cada agente sigue reglas sencillas.

• El comportamiento colectivo produce soluciones inteligentes.

3. Computación Distribuida con IA

Aquí varios equipos ejecutan conjuntamente algoritmos de inteligencia artificial.

Características:

• El entrenamiento o procesamiento se divide entre varios servidores.

• Permite trabajar con enormes cantidades de datos.

4. Aprendizaje Federado

Es una forma moderna de IA distribuida donde los datos permanecen en cada dispositivo.

Características:

• Los dispositivos entrenan el modelo localmente.

• Solo comparten los parámetros del modelo, no los datos personales.

• Mejora la privacidad.

1. Integrar agentes desarrollados de forma independiente y con diferentes arquitecturas.

2.Adaptarse a entornos dinámicos y cambiantes.

3.Garantizar una comunicación efectiva mediante protocolos y lenguajes estandarizados.

transporte y trafico como por ejemplo control de los semáforos.

salud como el apollo en diagnostico médico.

Johany Niederberger

Emmanuel Urriola

Yuliani Romero

1.Resolución Distribuida de Problemas (RDP):

Se centra en dividir un problema complejo en subtareas y distribuirlas entre varios agentes para obtener una solución global.

2.Sistemas Multiagente (SMA):

Se enfocan en la interacción entre agentes autónomos que cooperan, negocian o compiten para alcanzar objetivos.

3.Agentes Autónomos:

Son entidades inteligentes capaces de razonar, tomar decisiones, actuar de manera autónoma, adaptarse al entorno y comunicarse con otros agentes.

son:

Mayor Eficiencia ya que se puede dividir entre varios agentes

Flexibilidad se puede adaptar a los cambios del entorno

Desventajas

mayor costo de desarrollo ya que requiere mas tiempo recursos y experienciapara su implementación

Johany Niederberger

Emmanuel Urriola

Yauliani Romero

Permiten que varios agentes inteligentes trabajen de forma coordinada para alcanzar un mismo objetivo. Cada agente puede tomar decisiones de manera autónoma, pero al colaborar con los demás logra resolver problemas de forma más eficiente y adaptable.

Johany Niederberger

Emmanuel Urriola

Yuliani Romero

¿En qué se diferencia fundamentalmente el enfoque de Resolución Distribuida de Problemas (DPS) —donde un problema global descompuesto previamente se distribuye entre subprocesos puramente cooperativos— del enfoque de Sistemas Multiagente (MAS), donde los agentes son entidades autónomas con objetivos propios que pueden interactuar tanto en escenarios de colaboración como de competencia o conflicto?

2. Agentes Deliberativos (BDI) vs. Inteligencia Emergente / Enjambre (ABM)

El video de Modelos Basados en Agentes (ABM) muestra cómo reglas locales individuales en un nivel micro dan origen a patrones complejos en un nivel macro. ¿Cómo contrasta este enfoque de inteligencia emergente (propio de agentes reactivos o arquitecturas de enjambre) con los agentes deliberativos basados en modelos mentales explícitos como BDI (Creencias, Deseos e Intenciones)?

3. Centralización vs. Descentralización en la Arquitectura de Control

¿Bajo qué circunstancias de un problema complejo es preferible diseñar una arquitectura jerárquica con topología de control centralizada y coordinada por capas, y en qué casos resulta superior una arquitectura distribuida / auto-organizada basada en estigmergia e interacción indirecta a través del entorno?

4. La Dinámica Micro-Macro y las Restricciones del Entorno

Considerando el ciclo continuo de percepción, razonamiento y acción del agente, ¿de qué manera el modelado bottom-up permite entender no solo cómo las acciones a nivel micro construyen el comportamiento global macro, sino también cómo la estructura que emerge en el nivel macro pasa a redefinir y restringir las decisiones individuales de los agentes?

5. Coordinación Cooperativa vs. Negociación en Entornos Heterogéneos

¿Cómo cambian los lenguajes de comunicación (como KQML/KIF) y los protocolos de planificación cuando se pasa de un sistema de agentes homogéneos totalmente cooperativos a un entorno de agentes heterogéneos y no cooperativos, donde la solución requiere mecanismos explícitos de negociación, argumentación y consenso?

R/.El video explica que en los Modelos Basados en Agentes (ABM), cada agente sigue reglas muy simples y actúa de manera independiente. Aunque cada uno hace acciones sencillas, cuando todos interactúan entre sí pueden surgir comportamientos complejos.

La diferencia principal es que, en los ABM, los agentes no planifican ni razonan; simplemente responden a lo que ocurre a su alrededor y, gracias a la interacción entre todos, aparece un comportamiento organizado. En los agentes BDI, cada agente analiza la situación, decide qué quiere lograr y planifica cómo hacerlo.

Definición: Sistemas que poseen un modelo interno del mundo y razonan explícitamente para tomar decisiones lógicas que cumplen metas específicas.

Funcionamiento: Siguen un ciclo claro de percepción, deliberación (planificación paso a paso) y ejecución de acciones.

Ventajas: Son altamente predecibles, trazables y eficientes para resolver tareas estructuradas con instrucciones claras.

Desventajas: Pueden volverse rígidos o frágiles en entornos dinámicos muy complejos o impredecibles.

Inteligencia Emergente

Definición: Comportamiento inteligente global que aparece de manera espontánea a partir de la cooperación o competencia de múltiples agentes simples sin un control central

Funcionamiento: Se inspira en la naturaleza (como las colonias de hormigas o las parvadas de aves) mediante sistemas multiagente con reglas locales básicas.

Ventajas: Son sistemas sumamente adaptables, robustos y flexibles ante cambios drásticos del entorno.

Desventajas: Su comportamiento global es difícil de predecir, controlar o depurar cuando ocurren fallos.

La principal diferencia es que en la Resolución Distribuida de Problemas (DPS) todos los procesos trabajan de manera cooperativa para resolver un mismo problema. Cada proceso realiza una parte de la tarea y sigue un objetivo común, sin tomar decisiones por interés propio.

El problema se divide en partes desde el inicio. Los agentes cooperan pero no deciden, solo ejecutan su tarea. Enfoque de arriba hacia abajo.

En cambio, en los Sistemas Multiagente (MAS) cada agente es autónomo y puede tener sus propios objetivos. Los agentes pueden colaborar entre sí, pero también pueden competir o tener conflictos, tomando decisiones según la información que poseen y el propósito que buscan alcanzar.

Los agentes son autónomos. Cada uno decide, se comunica y puede cooperar o competir. La solución surge de la interacción. Enfoque de abajo hacia arriba.