Investigación
Desde la investigación desarrollamos las herramientas para hacer la IA más confiable.
Líneas de investigación
Calibración Probabilística Industrial
Desarrollamos métricas avanzadas (Brier, ECE, MCE, NLL, Sharpness, Resolution) y métodos de recalibración para garantizar decisiones confiables en contextos críticos.
Una IA es tan confiable como su calibración.
Metacognición y Honestidad de Incertidumbre
Estudiamos cómo un agente puede saber cuándo no sabe, reconocer límites, declarar incertidumbre y evitar sobreconfianza dañina.
Trabajamos con medidas del self-knowledge gap, perturbaciones semánticas y verificación estructural.
Optimización Evolutiva y Entes Digitales
Aplicamos algoritmos evolutivos para evidenciar comportamiento emergente de entes/organismos digitales con el fin de mejorar prompts, cadenas de herramientas, secuencias de razonamiento y políticas de decisión.
Buscamos sistemas que evolucionan hacia mayor coherencia.
Gobernanza Multi-LLM y Validación Cruzada
Investigamos cómo múltiples modelos pueden corregirse mutuamente: estructuras de ponderación, divergencia metacognitiva, ensembles verificados y rutas de decisión híbridas.
Dominios Críticos Regulados
Creamos datasets y protocolos específicos para sectores donde el error no es tolerable: educación, justicia, finanzas, gobierno, minería, industria pesada.
Geometrías del Hidden States
Entramos debajo de la respuesta observable. Analizamos hidden states, trayectorias, perturbaciones y geometría latente. ¿Qué estructuras podemos medir cuando un modelo mantiene una identidad, recibe perturbaciones y debe regular su propia trayectoria?
Publicaciones
Experimentos y proyectos con trazabilidad científica.
Contenido técnico con metadatos estructurados: experimentos y proyectos, enlazados con repositorios, datasets, modelos y protocolos cuando corresponde.
EvolutionLLM
Framework para el estudio evolutivo de algorítmos.
LSGOT
Estudio de la geometría de las trayectorias en el hidden states.