En este tutorial, comenzamos creando un agente de inteligencia artificial compacto pero potente, que funciona de manera fluida utilizando los transformadores de Hugging Face. Integramos generación de diálogos, respuestas a preguntas, análisis de sentimiento, búsquedas en la web simuladas, consultas del clima y una calculadora segura, todo dentro de una única clase en Python. A lo largo del proceso, instalamos solo las librerías necesarias, cargamos modelos livianos que respetan las limitaciones de memoria de Colab y organizamos cada función en métodos claros y reutilizables.
Primero, instalamos las librerías clave: Transformers, Torch, Accelerate, Datasets, Requests y BeautifulSoup, para que nuestro entorno tenga todo lo necesario para cargar modelos, hacer inferencias y realizar scraping web. Luego importamos PyTorch, utilidades para JSON, manejo de fechas y peticiones HTTP, las clases de Hugging Face para generación, clasificación y preguntas-respuestas, además de BeautifulSoup para analizar HTML, y silenciamos advertencias innecesarias para mantener limpio el output.
Creamos una clase llamada AdvancedAIAgent que se inicializa detectando si tenemos GPU disponible. Allí cargamos varios modelos: un generador de texto basado en DialoGPT-medium, un pipeline de análisis de sentimiento con un modelo especializado en Twitter y otro pipeline de preguntas y respuestas usando un modelo DistilBERT. También definimos un diccionario de herramientas que incluye búsqueda web simulada, calculadora segura y consulta del clima con datos ficticios.
El agente cuenta con métodos para generar respuestas de texto, analizar el sentimiento de un texto, responder preguntas basándose en un contexto dado, simular búsquedas web, calcular expresiones matemáticas de forma segura (validando que solo haya caracteres permitidos), y obtener información meteorológica de manera simulada. Asimismo, incluye una detección simple de intención basada en palabras clave, que determina si el usuario quiere hacer cálculos, consultar el clima, buscar información, analizar sentimiento, hacer preguntas o simplemente chatear.
Para procesar una consulta, el agente detecta la intención y dirige el texto al método adecuado, devolviendo la respuesta correspondiente en formato JSON, con detalles como confianza o tipo de respuesta. En caso de error, informa del problema sin caerse.
Finalmente, en el bloque principal iniciamos el agente y mostramos una demo con diferentes ejemplos: cálculo matemático, consulta meteorológica, búsqueda en la web, análisis de sentimiento y una conversación general. Cada respuesta se muestra formateada para facilitar la lectura. Existe también un modo interactivo, comentado por defecto, que permite conversar en tiempo real con el agente.
Este ejemplo demuestra cómo combinar diversas tareas de procesamiento de lenguaje natural en un esquema extensible y eficiente, que funciona bien en entornos con recursos limitados como Colab, usando modelos ligeros de Hugging Face. Así, es posible prototipar agentes multifuncionales que integran generación de texto, análisis, búsqueda y cálculo en una sola interfaz sencilla.
