Aaron Erickson propone prácticas para diseñar plataformas de IA fiables en QCon IA

En una charla de 52:06 en QCon IA, Aaron Erickson presentó un marco práctico para trasladar flujos de trabajo de IA desde pruebas informales (“vibe checking”) hacia sistemas multiagente con garantías operativas.

Aaron Erickson presentó “Tools for Certainty, Agents for Discovery” en QCon IA y defendió la necesidad de que los equipos abandonen las pruebas informales — lo que llamó “vibe checking”— para adoptar marcos multiagente que ofrezcan garantías operativas; la sesión dura 52:06 y está disponible en video. Este cambio importa porque busca reducir la fragilidad de los sistemas agenticos y aumentar la seguridad y previsibilidad del despliegue en producción. Afecta especialmente a equipos que implementan detección de anomalías en series temporales y arquitecturas multiagente.

En la charla Erickson describió medidas concretas para alcanzar esa fiabilidad: combinar salvaguardas de software deterministas con capacidades de descubrimiento agentico, optimizar jerarquías y la coordinación entre agentes, aprovechar modelos de base para series temporales y estructurar una pirámide de evaluación que valide componentes antes de su integración en producción. Presentó ejemplos prácticos y lecciones aprendidas sobre despliegue en entornos productivos para ilustrar cómo aplicar estos patrones en proyectos reales.

El contexto de la presentación es técnico y orientado a la puesta en práctica: QCon IA es un foro dirigido a practicantes que buscan la ingeniería necesaria para escalar cargas de IA, con acceso a playbooks arquitectónicos y métricas de fallo usadas en entornos productivos. La sesión integra métricas y criterios de prueba que pueden encajar en pipelines de validación y monitorización continuas.

Erickson respaldó sus recomendaciones con su trayectoria profesional: fundó el Applied IA Lab for DGX Cloud en NVIDIA, ha trabajado en ThoughtWorks y New Relic y es creador de Orgspace. Sus propuestas ofrecen un conjunto de patrones y criterios de evaluación escalables para mejorar la confiabilidad en producción sin renunciar a la capacidad de descubrimiento que aportan los agentes.