IA Neuro-Simbólica
Saros es el motor de IA de Novatech para mejorar el rendimiento y la fiabilidad de los sistemas de IA que se usan en planificación y toma de decisiones.
Está diseñado para ayudar a estos sistemas a producir mejores planes, recomendaciones más fiables y menos errores que requieran corrección humana, en especial en aplicaciones industriales y de infraestructura complejas.
Saros se centra en tres mejoras prácticas en las aplicaciones de IA.
Recomendaciones que tienen en cuenta la evidencia relevante, los objetivos en conflicto y las restricciones operativas.
Menos resultados que haya que rechazar o corregir antes de poder usarlos.
Menos tiempo dedicado a comprobaciones repetitivas y más tiempo disponible para el análisis y el criterio.
La contribución se evalúa frente al enfoque que ya utiliza la aplicación: si produce resultados más útiles, requiere menos intervención o alcanza la calidad necesaria con un menor coste total.
La arquitectura combina tres capacidades complementarias.
Los modelos de IA se ocupan de tareas difíciles de expresar por completo mediante reglas fijas: interpretar documentos, identificar patrones, estimar cantidades o proponer soluciones candidatas.
La aplicación define los conceptos, las relaciones y las condiciones que importan.
En un sistema de medición, esto puede incluir qué mide cada pregunta y cómo contribuye cada respuesta a una puntuación. En un sistema de planificación, puede incluir los recursos disponibles, las dependencias, los límites financieros y las restricciones operativas.
Estas representaciones participan en el cálculo. No son simple información de contexto incluida en un prompt.
El software evalúa las condiciones que se han formalizado. Según la aplicación, el resultado puede guiar una nueva generación, informar la planificación, rechazar una propuesta no válida o determinar un cálculo.
Estos componentes no exigen un único patrón de ejecución. Pueden interactuar durante la planificación, operar dentro de un sistema agéntico o apoyar el procesamiento y la evaluación de un resultado analítico.
Pensemos en una recomendación de compra. Puede parecer razonable y, aun así, superar el presupuesto disponible, ignorar el plazo de entrega de un proveedor o basarse en registros de stock incoherentes.
Cada parte del sistema se ocupa de un tipo de fallo distinto.
El procesamiento de datos puede conciliar los registros antes del análisis. Un cálculo puede establecer el coste de una compra propuesta. Una restricción puede comprobar ese coste frente al presupuesto. Después, un planificador o un agente puede usar esos resultados para revisar la propuesta.
La contribución no consiste simplemente en producir otra respuesta. Consiste en que la información y los requisitos relevantes influyan en cómo se obtiene y se evalúa el resultado.
El rendimiento se evalúa en función de la tarea y de las condiciones en las que se usará el sistema.
Entre las medidas relevantes están:
Superar las comprobaciones computacionales no garantiza que todas las conclusiones sean correctas. La evaluación también debe examinar si las hipótesis, las representaciones y los resultados del sistema son adecuados para la aplicación.
Diseño de instrumentos asistido por IA y medición del comportamiento
FlexPulse-EU conecta la preparación de cuestionarios con un esquema explícito de medición del comportamiento.
Los modelos ayudan a planificar y generar el contenido de las encuestas. Las comprobaciones de validación examinan su relación con los requisitos de medición y devuelven feedback para corregirlo. La revisión humana sigue formando parte de la preparación.
Una vez publicado un instrumento, las reglas de medición y mapeo definidas determinan cómo se puntúan las respuestas, en lugar de pedir a un LLM que reinterprete las respuestas de cada participante.
Es una implementación concreta de la interacción entre contenido generado por modelos, representaciones explícitas y procesamiento determinista.
Ver FlexPulse-EU →Decisiones de compra e inventario
Un sistema de decisión que combina información de inventario, ventas y finanzas para preparar recomendaciones de compra con plazos de reposición largos, demanda variable y restricciones de capital circulante.
Su implementación reúne la preparación de datos, el análisis, las proyecciones de escenarios y los requisitos operativos en un mismo proceso de decisión. La empresa revisa las recomendaciones antes de actuar.
Ver StockGPT Engine →Análisis de políticas y exploración de escenarios
Un harness de decisión que organiza la evidencia y explora las posibles consecuencias financieras, ambientales y sociales de distintas opciones de política.
Su arquitectura se amplió después para aplicaciones operativas y financieras en StockGPT Engine.
Ver Blue World →Saros se basa en la investigación en IA neuro-simbólica y verificación basada en modelos.
LLM-Modulo describe una interacción entre propuestas generadas por modelos y comprobaciones externas, en la que los resultados de la verificación guían los intentos siguientes. Trabajos experimentales relacionados evalúan este enfoque en planificación y programación de tareas.
Estas publicaciones orientan la arquitectura. El rendimiento de cada implementación debe establecerse mediante una evaluación específica de la aplicación.
Trabajamos con socios industriales y de investigación en aplicaciones de IA que implican planificación, análisis y decisiones de alto impacto.
El punto de partida es un problema técnico concreto: la información disponible, las condiciones que debe respetar el sistema y la evidencia necesaria para evaluar sus resultados.