En el ámbito de la inteligencia artificial, los equipos que implementan sistemas autónomos enfrentan un desafío recurrente: el comportamiento no determinista de los agentes, que a menudo carece de un rastro causal claro. La raíz de este problema no radica en el modelo o en la solicitud inicial, sino en el estado que el agente interpreta y modifica. Estos agentes llevan a cabo flujos de trabajo de múltiples pasos, invocan herramientas externas y actualizan de forma continua objetos compartidos. Sin mecanismos de aislamiento de instantáneas y lecturas que tengan en cuenta la versión de los datos, la percepción del mundo por parte del agente puede cambiar durante su ejecución.
Las pequeñas inconsistencias, lecturas obsoletas, escrituras parciales y actualizaciones intercaladas se pueden combinar para generar decisiones irreproducibles. El verdadero fallo está más allá de la orquestación: se encuentra en los sistemas de almacenamiento de objetos que están diseñados para artefactos estáticos, no para procesos autónomos concurrentes. Este es el vacío que Tigris busca solucionar mediante la implementación de «instantáneas de cubos completos» y el concepto de «forking» de cubos, capacidades ausentes en los almacenes de objetos tradicionales como S3.
A medida que los equipos escalan agentes paralelos, inevitablemente se enfrentan a conflictos de escritura, contaminación entre ejecuciones y estados irreproducibles. Aunque estos problemas se manifiestan como fracasos en los flujos de trabajo o en la modelización, la causa raíz es la falta de semánticas de versión de datos. El almacenamiento de objetos se ha convertido en la opción predeterminada para el estado de los agentes, especialmente en lo que respecta a datos no estructurados y en rápida evolución. Sin embargo, no ofrece lecturas consistentes, orden causal ni aislamiento por agente, lo que puede llevar a que dos agentes que actualizan el mismo cubo sobrescriban el trabajo del otro.
El enfoque de Tigris no se centra en el rendimiento ni en añadir otra capa sobre el almacenamiento de objetos. Se basa en un rediseño fundamental de las semánticas de datos para sistemas autónomos, destacando la inmutabilidad como elección arquitectónica clave. En Tigris, cada escritura produce una nueva versión inmutable, las eliminaciones crean «tumbas» en lugar de mutaciones destructivas, y el sistema mantiene un registro global ordenado de los cambios de estado. Esto asegura un rastreo preciso de linaje, lecturas deterministas y vistas históricas reproducibles, capacidades que los almacenes de objetos tradicionales no pueden proporcionar.
La implementación de «bucket forking» ofrece flujos de trabajo similares a Git para datos no estructurados. Un fork se crea en milisegundos, hereda una instantánea exacta del cubo padre y proporciona un espacio de escritura aislado para agentes o flujos de trabajo, divergiendo de manera segura sin afectar el conjunto de datos original. Esto permite la experimentación segura en nuevos comportamientos de agentes, estrategias de resumir o transformar datos, así como la depuración o reproducción de ejecuciones pasadas.
El aumento de los sistemas autónomos en los flujos de trabajo de producción plantea la necesidad urgente de garantías en la capa de datos. Equipos de trabajo requieren mecanismos como el forking, las instantáneas y el estado versionado para evitar que errores en el estado compartido lleven a resultados inconsistentes, incluso si la lógica del agente es correcta. La manera en que se tratan los datos en estos sistemas debe evolucionar, al igual que se hace con el código, para garantizar el mismo nivel de control y semántica.
La introducción de almacenamiento inmutable, instantáneas y el forking de cubos como primitivos fundamentales es un paso crítico para proporcionar la base de datos que los sistemas autónomos han estado necesitando. Aunque muchos equipos no perciban de inmediato esta necesidad, seguramente lo harán cuando sus agentes empiecen a comportarse de maneras impredecibles o difíciles de explicar.
vía: AI Accelerator Institute
