La evolución del machine learning ha transitado de ser una fase experimental a convertirse en una herramienta indispensable dentro del ámbito comercial. Actualmente, diversas organizaciones están utilizando modelos de ML para lograr pronósticos de ventas más precisos, segmentaciones de clientes eficientes y predicciones exactas sobre deserciones. Aunque el ML tradicional continúa ofreciendo mejoras substanciales en los procesos empresariales, la inteligencia artificial generativa surge como una fuerza revolucionaria, proporcionando herramientas accesibles que transforman la experiencia del cliente.
Pese al auge de la inteligencia artificial generativa, los modelos tradicionales de ML continúan siendo esenciales para ciertas predicciones. Por ejemplo, los algoritmos de ML consolidados como bosques aleatorios, máquinas de gradiente y modelos ARIMA son más adecuadas para el pronóstico de ventas. De la misma forma, modelos como K-means y la segmentación jerárquica se destacan en la segmentación de clientes. Mientras la inteligencia artificial generativa sobresale en ámbitos creativos como la generación de contenido y el diseño de productos, los modelos de ML tradicionales son insustituibles al generar predicciones basadas en datos. La combinación de ambas metodologías puede resultar en soluciones que ofrezcan pronósticos precisos y eficientes en costos.
Con el propósito de demostrar cómo las organizaciones pueden potenciar a sus agentes de inteligencia artificial mediante la integración de modelos predictivos de ML, se ha diseñado un flujo de trabajo que habilita a estos agentes a tomar decisiones más informadas. Esta solución emplea el Protocolo de Contexto de Modelo (MCP) a través de Amazon SageMaker AI, permitiendo a los agentes utilizar la inteligencia de modelos de lenguaje grandes (LLMs) para optimizar su operativa.
Los agentes desarrollados con el SDK de Strands Agents utilizan un LLM como núcleo central, lo que les habilita a observar su entorno, planificar acciones y realizar tareas con mínima supervisión humana. Esta integración permite que los agentes no solo generen texto, sino que actúen como entidades autónomas que pueden tomar decisiones basadas en objetivos concretos, aplicándose en múltiples escenarios comerciales.
Para implementar esta solución, se sigue un proceso donde se entrena un modelo de pronóstico de series temporales utilizando Amazon SageMaker AI. Mediante la preparación adecuada de datos, se entrena un modelo como XGBoost para prever la demanda futura con base en patrones históricos. Este modelo se despliega en un endpoint de SageMaker AI, permitiendo que, a través de llamadas a la API, se acceda a predicciones en tiempo real.
Una vez concluido este proceso, las predicciones generadas se envían de nuevo al agente, quien las utiliza para mejorar la calidad de sus decisiones. Esta arquitectura no solo proporciona una base robusta para aplicaciones de inteligencia artificial, sino que también ofrece flexibilidad al permitir elegir entre un acceso directo a endpoints y una integración basada en MCP, adaptándose así a un amplio espectro de necesidades empresariales.
Las empresas continúan buscando formas innovadoras de hacer a sus agentes de inteligencia artificial más inteligentes y basados en datos. La combinación de Amazon SageMaker AI, MCP y el SDK de Strands Agents se perfila como una solución poderosa para el desarrollo de aplicaciones de siguiente generación.
