IA en producción.
Asistentes, agentes y entrenamiento en infraestructura que operamos. Evaluación incluida.
Modelosdelenguajesobretelemetríaenvivo.Agentesquehacentrabajorealentreservidores.Políticasdecontrolentrenadasengemelosdigitalesantesdellegaralborde.Cadacambiopasaporunconjuntofijodeevaluaciónantesdesalir.Nuestrapropiaempresafuncionaasí.
Asistentes LLM sobre datos en vivo
Respuestas desde un feed MQTT o una base de datos en vivo, no desde un corpus estático. En producción para un operador de infraestructura desde 2026. Modelos autoalojados o por API.
Agentes vía MCP
Sistemas multiagente sobre nuestro propio servidor MCP en varios hosts. Programar, desplegar, probar, monitorizar. El mismo servidor sostiene Blackcycle.
Entrenamiento en gemelos digitales
Aprendizaje por refuerzo multiagente en gemelos SUMO con RLlib y PettingZoo. La política entrenada pasa al nodo edge cambiando un parámetro. Preprint y dataset en Zenodo.
RAG y búsqueda vectorial
PostgreSQL con pgvector por defecto, Qdrant a escala. Calidad de recuperación medida antes de que el modelo responda.
Preguntas Frecuentes
Ambos. Modelos abiertos en nuestras GPUs cuando los datos no pueden salir del perímetro. Claude o APIs similares cuando pesan más la calidad o el contexto. Misma evaluación para los dos.
Un conjunto fijo de casos con respuesta correcta diseñada, ejecutado N veces por versión de prompt. Precisión, latencia p50 y p95, resistencia a inyección de prompt. Sin regresión no hay despliegue.
Una sola interfaz de herramientas. Los agentes descubren y llaman ERP, CRM, bases de datos, CI/CD e infraestructura por un protocolo. Permisos gestionados en un solo sitio.
Una política de control tiene que probar acciones malas para aprender. Eso no se hace en un cruce real. El gemelo corre miles de episodios. Los datos reales lo calibran.