130 — Blackboard y memoria compartida

← Clase anterior · Índice de la parte · Clase siguiente →

Parte: 10 — Sistemas multiagente e interoperabilidad
Nivel: experto · Horas estimadas: 6
Laboratorio: multiagent · Estado: EXECUTABLE_CORE

🎯 Propósito

Comprender blackboard y memoria compartida dentro de la evolución de la inteligencia artificial, implementar un experimento mínimo verificable y distinguir qué parte constituye evidencia frente a una afirmación todavía no comprobada.

📚 Resultados de aprendizaje

Al finalizar podrás:

Explicar blackboard y memoria compartida usando los conceptos blackboard, shared memory, coordination, conflicts.
Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
Producir una evidencia reproducible y una conclusión que no exceda los datos.

🧩 Conceptos centrales

blackboard, shared memory, coordination, conflicts

🗺️ Ubicación en el mapa de la IA

El blackboard es la arquitectura multiagente más antigua que sigue viva: nació en los años 70 con Hearsay-II (comprensión de habla) y HASP, décadas antes de los LLM. Frente al control central de supervisor-workers (127) y a los mensajes punto a punto de los handoffs (126), propone coordinación indirecta: los especialistas no se hablan entre sí, colaboran leyendo y escribiendo sobre una memoria común. Hoy reaparece en los sistemas agénticos como estado compartido (el state de LangGraph, archivos de trabajo, scratchpads persistentes).

📖 Fundamentos

🧑‍🏫 La metáfora y los tres componentes

Varios expertos frente a una pizarra resuelven un problema que ninguno puede resolver solo: cada uno escribe cuando ve algo que aportar, y lo escrito dispara las contribuciones de los demás. Formalmente (Nii, 1986):

Blackboard: memoria compartida y estructurada, normalmente jerárquica (niveles de abstracción: en Hearsay-II, señal → sílabas → palabras → frases). Contiene hipótesis con atributos: autor, nivel, confianza, timestamp.
Fuentes de conocimiento (KS): especialistas con un par (condición de activación, acción): "si aparece una hipótesis de tipo X en el nivel Y, puedo producir Z". No se conocen entre sí — solo conocen el blackboard.
Control: decide qué KS activa cuando varias son aplicables (agenda con prioridades). Es la pieza que evita el caos: sin ella, todas las KS escribirían a la vez.

🔄 El ciclo de ejecución

repetir hasta solución o presupuesto:
  1. cambios en el blackboard → se evalúan las condiciones de las KS
  2. KS aplicables entran en la agenda con una prioridad (heurística de control)
  3. el control elige UNA (o pocas) y la ejecuta
  4. la KS lee lo pertinente, computa y ESCRIBE nuevas hipótesis (no borra las ajenas)
  5. el nuevo estado re-dispara el ciclo  →  la solución se construye incrementalmente

El flujo de control es oportunista: no hay plan fijo; la secuencia emerge de qué hipótesis aparecen. Es la diferencia esencial con supervisor-workers, donde la descomposición se decide de antemano.

⚔️ Conflictos y consistencia

La memoria compartida introduce los problemas clásicos de concurrencia, en versión epistémica:

Conflicto de escritura: dos KS proponen hipótesis incompatibles (la palabra es "peso" vs "beso"). Resolución: ambas coexisten con confianza; niveles superiores desempatan con más contexto — el blackboard acumula alternativas, no las pisa.
Lectura obsoleta: una KS computó sobre un estado que otra ya refinó. Mitigación: versionado de hipótesis y re-validación antes de escribir.
Deadlock epistémico: nadie tiene condición activable (el sistema "se queda sin ideas"). Mitigación: KS de relajación o escalada a humano.
En sistemas LLM se añade el límite de ventana: el blackboard crece y no cabe en el contexto de cada agente; hacen falta vistas (resúmenes por nivel) en lugar del volcado completo.

🧮 Ejemplo trabajado

Diagnóstico de un incidente con blackboard de 3 niveles (síntomas → hipótesis → causa) y 3 KS: logs (síntomas desde logs), metrics (síntomas desde métricas), causal (correlaciona síntomas en hipótesis de causa).

t1  KS logs escribe:    s1 = "errores 502 desde 09:31" (conf 0.9, nivel síntoma)
t2  KS metrics escribe: s2 = "latencia p99 ×8 desde 09:30" (conf 0.85, síntoma)
t3  condición de KS causal se activa (≥2 síntomas correlacionados en el tiempo)
    escribe: h1 = "saturación del pool de conexiones" (conf 0.6, nivel hipótesis)
t4  KS logs (re-disparada por h1) busca evidencia dirigida:
    escribe: s3 = "pool exhausted en logs de la BD" (conf 0.95)
t5  KS causal refina: h1 sube a conf 0.9; escribe causa raíz al nivel superior
    control: umbral de solución alcanzado (conf ≥ 0.85 en nivel causa) → fin

Obsérvese t4: la hipótesis de una KS dirigió la búsqueda de otra sin que nadie las coordinara explícitamente — eso es coordinación indirecta (estigmergia, como las feromonas de las hormigas). Y en t3-t5 las hipótesis alternativas que hubiera ("deploy defectuoso", conf 0.4) siguen en la pizarra: si h1 se hubiera refutado, el control habría vuelto a ellas.

📊 Propiedades y comparación

Propiedad	Blackboard	Supervisor-workers (127)	Mensajería punto a punto (126)
Coordinación	Indirecta, por el medio	Directa, jerárquica	Directa, por pares
Plan	Emergente (oportunista)	Descompuesto a priori	Encadenado por traspaso
Acoplamiento entre agentes	Mínimo (no se conocen)	Medio (contrato con supervisor)	Alto (esquema por par)
Añadir un especialista	Trivial (nueva KS)	Tocar al supervisor	Tocar a los pares
Trazabilidad	Historia completa en el medio	Traza en árbol	Cadena de mensajes
Riesgo típico	Caos sin control / medio saturado	Cuello de botella supervisor	Pérdida de contexto
Ideal para	Problemas mal estructurados, evidencia incremental	Tareas descomponibles	Flujos con dueño claro

flowchart TD
    subgraph BB[Blackboard: hipótesis con autor, nivel, confianza, versión]
        L1[Nivel 1: síntomas] --> L2[Nivel 2: hipótesis] --> L3[Nivel 3: causa raíz]
    end
    KS1[KS logs] -- escribe/lee --> BB
    KS2[KS metrics] -- escribe/lee --> BB
    KS3[KS causal] -- escribe/lee --> BB
    CTRL[Control: agenda +
prioridades + umbral de fin] -- activa una KS por ciclo --> KS1 & KS2 & KS3
    BB -. cambios disparan condiciones .-> CTRL

⚠️ Errores conceptuales frecuentes

"Memoria compartida = contexto compartido gratis." En LLM cada lectura del blackboard se re-tokeniza en cada agente; el medio compartido no elimina el coste, lo estructura.
Dejar que las KS borren o pisen hipótesis ajenas. El blackboard acumula alternativas con confianza; sobrescribir destruye la capacidad de retroceder.
Blackboard sin control. Sin agenda ni prioridades todas las KS escriben a la vez y el medio se llena de ruido; el control es un componente, no un adorno.
Confundir blackboard con un log de chat. El chat es secuencial y sin estructura; el blackboard tiene niveles, tipos y confianzas que hacen las condiciones de activación computables.
Ignorar la obsolescencia. Una hipótesis leída puede haber sido refinada al escribir la respuesta; sin versionado, los agentes razonan sobre estados muertos.

🚀 Del aprendizaje a la operación

Un blackboard operativo exige: un almacén real con transacciones y versionado (no un dict en memoria) que sobreviva reinicios (enlaza con la clase 135); control de acceso por KS (quién puede escribir en qué nivel); vistas resumidas por agente para no desbordar ventanas; poda y archivado del medio (crece sin límite); y métricas de convergencia — ciclos sin progreso de confianza son la señal de deadlock epistémico que debe escalar a humano.

🧪 Laboratorio

python lab.py

El laboratorio llama a ai_evolution.labs.run_lab("multiagent"). Esta decisión evita 183 implementaciones divergentes: cada clase tiene un entrypoint propio, pero los motores didácticos se prueban como una biblioteca común.

🔍 Evidencia esperada

tipo de laboratorio y semilla;
entradas o decisiones observables;
resultado estructurado;
lista evidence con hechos que pueden inspeccionarse;
lista limitations que impide presentar la demo como producción.

📓 Notebooks

📓 notebook.ipynb: recorrido guiado con la materia resumida.
✍️ notebook_student.ipynb: ejercicios para resolver.
✅ notebook_solution.ipynb: solución de referencia explicada.

📝 Evaluación

Criterio	Peso
Comprensión conceptual	25 %
Ejecución reproducible	25 %
Interpretación basada en evidencia	25 %
Riesgos, límites y mejora propuesta	25 %

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

Síntoma	Causa probable	Corrección
El código corre, pero no hay conclusión	Se confundió ejecución con aprendizaje	Explica qué demuestra y qué no demuestra
El resultado cambia sin explicación	No se registró semilla o configuración	Conserva semilla, versión y parámetros
Se promete uso real	Se extrapoló desde una demo educativa	Declara entorno, datos, límites y revisión humana
Se copia una métrica aislada	No existe baseline ni costo de error	Añade comparación y criterio de decisión

❓ Preguntas frecuentes

¿Debo usar una API comercial?
No. El núcleo funciona localmente. Las extensiones LIVE se documentan por separado.

¿El laboratorio representa una implementación industrial?
No por sí solo. Enseña el contrato y el patrón; producción exige integración, seguridad, observabilidad, pruebas y operación.

¿Dónde profundizo?
Revisa las especializaciones enlazadas en el README raíz y la ruta siguiente.

🔗 Referencias

Nii, H. P., The Blackboard Model of Problem Solving and the Evolution of Blackboard Architectures, AI Magazine 7(2), 1986: el survey clásico de la arquitectura.
Erman et al., The Hearsay-II Speech-Understanding System, ACM Computing Surveys 12(2), 1980: el sistema que originó el patrón.
Wooldridge, M., An Introduction to MultiAgent Systems, 2.ª ed., Wiley, 2009: coordinación indirecta y entornos compartidos. — uso: desarrollo extendido del tema
LangGraph — Graph API (estado compartido): el state tipado como blackboard moderno entre nodos.
Anthropic — How we built our multi-agent research system (2025): memoria y artefactos compartidos entre lead y subagentes.

📜 Papers que fundamentan esta clase

Bloque generado por python scripts/link_papers_to_classes.py. La fuente es papers/catalog/papers.json.

Paper	Año	Qué desbloqueó	Miniatura
P135 · El sistema Hearsay-II: integrar conocimiento para resolver incertidumbre	1980	Introduce la arquitectura de pizarra: fuentes de conocimiento independientes que publican hipótesis en una estructura compartida, sin llamarse entre sí.	notebook

Cada ficha explica el problema anterior, la matemática mínima, los límites y los errores de atribución más frecuentes. Para leerlas con método: cómo leer un paper de IA · anexos matemáticos.

📚 Bibliografía de apoyo

Bloque generado por python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado en sources/bibliography.json.

Los papers dicen de dónde salió el mecanismo. Estas obras lo desarrollan con el espacio que una clase no tiene: teoría completa, demostraciones y ejercicios.

Obra	Edición	Localizador	Papel en esta clase
Michael J. Wooldridge — An Introduction to MultiAgent Systems	2009	ISBN 9780471496915	citada en las referencias de esta clase · obra de referencia de la parte 10
Russell, Stuart J. y Norvig, Peter — Artificial Intelligence: A Modern Approach	4.ª · 2020	ISBN 9780134610993 · web de la obra	obra de referencia de la parte 10 · decisión multiagente y teoría de juegos

⬅️ Clase anterior

129 — Crítica, revisión y debate controlado

➡️ Siguiente clase

131 — Contratos de roles, capacidades y resultados

📝 Evaluación completa

❓ Preguntas

Define blackboard y memoria compartida sin usar una marca o framework como definición.
Explica la relación entre blackboard, shared memory, coordination, conflicts.
Ejecuta lab.py dos veces con la misma semilla. ¿Qué debe conservarse?
Identifica una afirmación permitida y una afirmación exagerada sobre el resultado.
Propón una prueba negativa o un caso límite.

🏆 Reto verificable

Amplía el resultado del laboratorio con una clave student_extension que incluya:

el supuesto que estás probando;
una medición o comprobación;
la conclusión;
una limitación.

✅ Criterio de aceptación

[ ] lab.py termina con código 0.
[ ] El resultado contiene kind, seed, evidence y limitations.
[ ] La extensión no modifica el comportamiento de otras clases.
[ ] La interpretación referencia datos impresos por el laboratorio.
[ ] Se declara al menos un riesgo o condición de no uso.