Cassie Shum presenta patrones arquitectónicos para sistemas de inteligencia artificial agénticos basados en grafos de conocimiento

Cassie Shum, vicepresidenta de ingeniería de producto del ecosistema en RelationalAI, presentó una conferencia en la que explicó por qué los grafos de conocimiento constituyen una base crítica para los sistemas agénticos. Durante su intervención, la especialista detalló cómo estas estructuras permiten superar las limitaciones de la recuperación aumentada por generación básica y facilitan la transición hacia procesos de razonamiento más complejos en entornos de producción.

La ponente describió cuatro patrones arquitectónicos prácticos que considera esenciales para el diseño de estos sistemas. Estos incluyen el empaquetado de contexto, la procedencia de las decisiones, el uso del código como fuente de verdad y la visibilidad de los agentes. Shum argumentó que la implementación de estos patrones ayuda a estructurar la información de manera que los agentes puedan tomar decisiones fundamentadas y trazables, mejorando la robustez y la explicabilidad de las soluciones de inteligencia artificial.

Como parte de la demostración técnica, la ingeniera mostró un arnés de ingeniería construido sobre un grafo de conocimiento. Esta herramienta está diseñada para optimizar el uso de tokens, agilizar los ciclos de retroalimentación y mantener la fiabilidad del sistema. Shum explicó que este arnés permite a los equipos de desarrollo interactuar con los agentes de manera más eficiente, proporcionando una capa de control que facilita la gestión de los flujos de trabajo agénticos en tiempo real.

La especialista, que cuenta con más de veinte años de experiencia en la industria, comenzó su carrera como ingeniera de software y consultora en empresas como Thoughtworks. Tras un periodo dedicado a la gestión de equipos y la arquitectura de microservicios, Shum decidió regresar a la codificación para investigar cómo los agentes de inteligencia artificial ejecutan sus tareas. Su objetivo fue aplicar sus conocimientos previos en prácticas de ingeniería de software y su experiencia reciente con grafos de conocimiento en RelationalAI para comprender el impacto de estas tecnologías en los sistemas agénticos.

Shum aclaró que su presentación no constituye un tutorial sobre la creación de grafos mediante la recuperación aumentada por generación, un tema que abordó en profundidad en una conferencia anterior en Nueva York. En cambio, se centró en las lecciones aprendidas durante los últimos seis meses, un periodo marcado por cambios rápidos en el sector. La ponente enfatizó que su enfoque no es dogmático, sino que refleja su experiencia personal y la evolución de las herramientas disponibles para construir sistemas de inteligencia artificial listos para producción.

La conferencia se enmarcó en el evento QCon AI, una reunión dirigida a profesionales que se centra en la disciplina de ingeniería necesaria para escalar estas cargas de trabajo de manera segura. El evento ofrece acceso directo a las métricas de fallo y a los manuales arquitectónicos que otras organizaciones utilizan en sus entornos de producción. La presentación de Shum se sumó a otras intervenciones de profesionales de la industria, como Mohit Suman de Harness y Eric Metaj de Datadog, quienes también abordaron temas relacionados con la entrega de software y la optimización de procesos de integración y despliegue continuo.