Resumen: Grandes modelos lingüísticos para la planificación de la IA: Eficiencia y corrección mediante la generación de códigoEntre las propiedades más importantes de los algoritmos investigados en informática se encuentran la solidez, la completitud y la complejidad. Sin embargo, estas propiedades rara vez se analizan para la amplia colección de métodos propuestos recientemente para la planificación con grandes modelos de lenguaje. En este trabajo, paliamos esta laguna. Analizamos estas propiedades del uso de LLMs para la planificación y destacamos que las tendencias recientes abandonan tanto la solidez como la completitud en aras de la ineficiencia. Proponemos un enfoque significativamente más eficiente, el Pensamiento de Búsqueda (ToS), que puede, al mismo tiempo, mantener tanto la solidez como la completitud. Ejemplificamos con cuatro problemas de búsqueda representativos, comparándolos con las soluciones basadas en LLMs de la literatura que intentan resolver estos problemas. Demostramos que utilizando LLMs para producir el código de los componentes de búsqueda podemos resolver los conjuntos de datos completos con una precisión del 100% con sólo unas pocas llamadas al LLM. La advertencia es que ToS requiere un humano en el bucle, produciendo de forma colaborativa una función sucesora sólida y una prueba de meta. Para superar esta limitación, en este trabajo damos un primer paso importante hacia la automatización de ToS (AutoToS), sacando por completo al humano del bucle de interacciones con el modelo lingüístico. AutoToS guía al modelo de lenguaje paso a paso hacia la generación de componentes de búsqueda sólidos y completos, a través de la retroalimentación de pruebas unitarias tanto genéricas como específicas del dominio. AutoToS alcanza una precisión del 100%, con un número reducido de iteraciones de retroalimentación, utilizando LLM de distintos tamaños en todos los dominios evaluados.
Ponente: Michael Katz es Investigador Científico Principal en el Centro de Investigación T.J. Watson de IBM. Sus principales intereses de investigación se centran en la planificación independiente del dominio y en la integración de la planificación y la RL. Es miembro sénior de la AAAI. Fue presidente del programa de ICAPS 2021 y en la actualidad es miembro del consejo ejecutivo de ICAPS y enlace de la competición (segundo mandato). Ha recibido numerosos premios por su investigación, entre ellos el Influential Paper Award en 2023 y el Best Dissertation Award en 2011 y por sus solucionadores de planificación independientes del dominio. Fue coorganizador de siete ediciones de los talleres Heuristics and Search for Domain-independent Planning (HSDIP), así como de cinco de las siete ediciones del taller Bridging the Gap Between AI Planning and Reinforcement Learning (PRL) en 2020-2024, del que fue co-creador. Es creador y presidente de taller de la primera edición del taller sobre Planificación en la Era de los LLM (LM4Plan@AAAI 2025). Ha sido panelista en talleres/programa puente en AAAI/ICAPS. Ha impartido tutoriales sobre planificación de IA en AAAI/IJCAI/ICAPS. Con frecuencia actúa como AC/SPC para AAAI/IJCAI/ICAPS.
