# Arquitectura de IA y sistemas avanzados canonical_url: https://www.3.14financialcontents.com/es/capacidades/tecnologia/ markdown_url: https://www.3.14financialcontents.com/es/capacidades/tecnologia/index.md language: es-ES content_type: capabilities status: published description: Diseñamos arquitecturas de modelos, agentes, inferencia, sistemas distribuidos, cloud y edge, runtimes y componentes propios. Evaluamos tecnologías emergentes, construimos prototipos cuando es necesario y llevamos las que aportan valor a… Convertir nuevas capacidades de IA en arquitecturas que puedan integrarse, operar y evolucionar. ## Cómo elegimos una tecnología - función: qué responsabilidad cumple y qué alternativa existe - calidad: cómo se comporta en casos reales, adversos y fuera de distribución - integración: cómo se conecta con datos, identidad, permisos, workflows y sistemas existentes - coste: infraestructura, uso de modelos, desarrollo, observabilidad y mantenimiento - latencia: tiempo total de la trayectoria, no solo velocidad del componente - control: capacidad para limitar herramientas, revisar resultados y detener efectos - portabilidad: qué partes pueden sustituirse y qué conocimiento queda acoplado - mantenibilidad: cómo se depura, versiona, documenta y transfiere - madurez: qué se ha explorado, evaluado, integrado u operado - resultado: qué cambio observable permite producir ## Tecnologías que construimos, aplicamos y evaluamos - DocuLogic - KIR - ERP-Bots - SuperSocrates - SuperQuestions - SuperPythagoras - Finaz - Excorpora - Python - Django - FastAPI - Pydantic - PostgreSQL - pgvector - PyTorch - CatBoost - Docker - búsqueda híbrida - workflows duraderos - LangGraph - PydanticAI - MCP y FastMCP - Hatchet - DSPy - GEPA - TypeDB - LinkML - Newton - NVIDIA Warp - cuRobo - NVIDIA Jetson ## Radar tecnológico - **Capas propias** (build) — DocuLogic, KIR, ERP-Bots, SuperSocrates, SuperQuestions, SuperPythagoras, Finaz, Excorpora, evaluaciones y contratos propios, representaciones de dominio - **Fundamentos en operación** (apply) — Python, Django, FastAPI, Pydantic, PostgreSQL, pgvector, PyTorch, CatBoost, APIs y eventos, Docker, búsqueda híbrida, workflows duraderos, modelos y agentes con herramientas - **En evaluación activa** (evaluate) — LangGraph, PydanticAI, FastMCP y MCP, Hatchet, DSPy, GEPA, TypeDB, LinkML, modelos recientes de series temporales, embeddings y rerankers especializados, enrutamiento de modelos, memoria multiíndice, Newton, cuRobo, optimización acelerada por GPU - **Laboratorio** (lab) — sistemas multiagente complejos, aprendizaje operacional, simulación y transferencia a hardware, MPC de baja latencia, planificación y control físico, autonomía acotada, coordinación de máquinas, modelos de mundo y VLA dentro de tareas definidas Una tecnología entra en la arquitectura cuando explica una función, puede evaluarse y sostiene una responsabilidad del sistema. Nos interesa la tecnología cuando abre una capacidad nueva y cuando permite llevarla hasta un sistema real. Seguimos de cerca la evolución de los modelos fundacionales, los agentes, la memoria, la recuperación, la semántica, la optimización, la simulación y la robótica. Probamos pronto, comparamos con alternativas más sencillas y construimos capas propias cuando las herramientas disponibles todavía no representan bien el problema. Nuestra ambición tecnológica tiene dos direcciones complementarias: - explorar técnicas que todavía están definiendo lo que será posible; - construir sobre fundamentos capaces de sostener datos, estado, permisos, integración, evaluación y mantenimiento. Esa combinación nos permite trabajar desde una fuente documental o una regla de negocio hasta un workflow duradero, una flota de agentes o una operación física. ## Explorar la frontera y construir con fundamento Exploramos la frontera de la IA, los sistemas de conocimiento, el software y la robótica, y combinamos sus avances con fundamentos capaces de sostener una operación real. La velocidad de la IA invita a elegir una herramienta por lo que demuestra durante unos minutos. El trabajo real exige descubrir qué ocurre después: - cómo se integra con datos y sistemas existentes; - qué contexto necesita; - qué coste introduce; - cómo se comporta bajo entradas adversas; - qué estado debe persistir; - cómo se limita su autoridad; - qué parte puede sustituirse; - qué conocimiento queda ligado al proveedor; - qué evidencia permite evaluarla; - cómo responde el sistema cuando la tecnología cambia. Exploramos con curiosidad y adoptamos con criterio. Una técnica puede encontrarse en uno de cuatro estados: **Explorar.** La utilizamos para formular mejor una pregunta, comprender su comportamiento o descubrir una capacidad. **Evaluar.** La comparamos en escenarios representativos y adversos, con métricas, costes y límites explícitos. **Aplicar.** La integramos en una trayectoria completa y la sometemos a requisitos de datos, seguridad, latencia, recuperación y mantenimiento. **Construir.** Desarrollamos una capa propia cuando representa conocimiento, lógica, orquestación o interacción que consideramos central y duradera. Esta clasificación distingue exploración y operación, y permite mantener una apuesta tecnológica ambiciosa declarando qué sostiene ya un sistema y qué continúa en evaluación. ## Construimos capas propias donde reside el conocimiento diferencial Desarrollamos componentes propios cuando el valor reside en la representación, en los contratos o en la forma de coordinar el trabajo. **DocuLogic.** Reconstruye lógica de negocio y conocimiento operativo desde código, configuraciones, documentos, tablas, pruebas y trazas, y los conserva como conocimiento legible, versionable y unido a su evidencia. Permite examinar cada regla con su procedencia y su estado: comportamiento observado, lógica inferida, conocimiento validado o decisión acordada. **KIR.** Una representación intermedia de conocimiento, tipada y canónica, que desacopla las fuentes de sus usos. Permite examinar qué proyección recibe cada consumidor —bases relacionales, grafos, índices semánticos, motores de reglas, APIs, MCP, agentes y reporting— y qué versión de conocimiento la sostiene. **ERP-Bots.** La línea de bots y agentes operacionales que completan trabajo dentro de ERPs y aplicaciones de negocio bajo políticas, estado y verificación. Permite examinar la traza de una operación: qué contexto se recuperó, qué política decidió, qué herramienta actuó, quién autorizó y qué señal cerró el caso. **SuperSocrates.** El sistema que pregunta: interroga el material de un proyecto para encontrar huecos, información que no coincide entre fuentes, decisiones que se contradicen y supuestos que nadie escribió, y propone la siguiente pregunta útil. Permite examinar una colisión con las fuentes que la originan y la pregunta que abre. **SuperQuestions.** El producto que representa y gestiona las preguntas de un proyecto junto a su evidencia, sus decisiones, sus dependencias y su trabajo. Permite examinar una pregunta con lo que la sostiene, lo que la contradice y lo que depende de ella. SuperSocrates pregunta; SuperQuestions administra lo que la pregunta produce. **SuperPythagoras.** Un arnés para construir software en equipo cuando personas y bots comparten el trabajo: roles, contratos de entrega, traspasos ordenados, revisión y SecondOpinion, una perspectiva independiente sobre cada cambio con consecuencias. Permite examinar el recorrido de un cambio y la evidencia de por qué se construyó así. **Finaz.** Una arquitectura editorial que separa evidencia, estructura informativa, composición, controles y producción multimodal. Permite examinar el esquema intermedio que comparten informe, guion y pieza narrada, y el punto donde termina lo determinista y empieza lo generativo. **Excorpora.** Un entorno de investigación y evaluación de traducción y localización construido sobre invariantes declarados, corpus alineados y auditoría adversarial. Permite examinar dónde cambia el sentido aunque la frase suene natural. Estas capas pueden evolucionar aunque cambien los modelos o proveedores situados alrededor. El conocimiento del dominio, la lógica y los criterios de evaluación permanecen en representaciones que controlamos. ## IA generativa, agentes y programas inteligentes Los modelos generativos han ampliado la capacidad para interpretar lenguaje, comparar información, utilizar herramientas, generar código y componer contenidos. Los utilizamos dentro de sistemas con contratos y responsabilidades explícitas. ### Modelos fundacionales Trabajamos con modelos lingüísticos, multimodales y especializados según calidad, idioma, contexto, razonamiento, uso de herramientas, generación estructurada, coste, latencia, privacidad, capacidad de despliegue y estabilidad del proveedor. La arquitectura permite comparar y enrutar modelos. Una tarea puede utilizar un modelo distinto para análisis, programación, generación, extracción o revisión. ### Agentes Los agentes interpretan contexto y eligen entre acciones permitidas. Construimos con herramientas tipadas, memoria acotada, grafos de estado, políticas, presupuestos, criterios de parada, intervención humana, trazas y evaluación de recorridos. ### MCP y FastMCP Model Context Protocol permite exponer herramientas y recursos mediante contratos comunes para agentes y aplicaciones. FastMCP facilita construir servidores, clientes y aplicaciones MCP en Python, con esquemas, validación, transporte y mecanismos de integración. Lo utilizamos cuando aporta una interfaz coherente entre agentes, conocimiento y sistemas. Los permisos y efectos empresariales continúan residiendo en la arquitectura de la aplicación. ### LangGraph y PydanticAI LangGraph permite representar agentes y flujos como grafos con estado. PydanticAI aporta modelos tipados de entradas, salidas, dependencias y herramientas dentro del ecosistema Python. La elección depende del tipo de control, durabilidad, integración y evaluación que necesita cada recorrido. ### Workflows duraderos Hatchet y otros motores de ejecución duradera conservan estado y reanudan trabajo después de esperas o fallos. Los combinamos con agentes cuando una operación necesita interpretación contextual y continuidad a lo largo del tiempo. ### DSPy y GEPA DSPy permite tratar partes de un sistema de IA como programas que pueden definirse y optimizarse mediante evaluaciones. GEPA explora la mejora de programas, prompts y estrategias a partir de señales de rendimiento. Estas técnicas son valiosas cuando existe un conjunto de evaluación suficientemente representativo. La definición de aquello que significa un buen resultado permanece en manos de las personas. ### Salidas estructuradas y contratos Utilizamos esquemas y validación para que modelos y agentes produzcan objetos que el software pueda comprobar antes de utilizar. Pydantic, JSON Schema, validadores y pruebas deterministas ayudan a separar lenguaje flexible y efectos controlados. ## RAG, memoria y sistemas de conocimiento Un sistema RAG relaciona recuperación, contexto, evidencia, permisos y composición para responder de forma examinable. Construimos recuperación híbrida combinando coincidencia exacta, búsqueda léxica, trigramas, embeddings, filtros, relaciones, grafos, estructura de código, reranking, expansión de contexto, procedencia y permisos. ### PostgreSQL y pgvector PostgreSQL ofrece la base relacional y transaccional. pgvector permite almacenar y consultar embeddings dentro del mismo sistema, manteniendo cerca metadatos, permisos, estados y relaciones. Puede combinarse con búsqueda de texto completo, índices, SQL y filtros estructurados para construir recuperación híbrida. ### Grafos y semántica TypeDB y otras bases orientadas a conocimiento resultan útiles cuando el dominio exige relaciones tipadas, inferencia o navegación compleja. LinkML puede definir esquemas de conocimiento interoperables y generar representaciones para distintos entornos. Datalog permite expresar determinadas deducciones. DMN ayuda a formalizar decisiones. CEL puede utilizarse para condiciones y validaciones. ### Código como conocimiento Tree-sitter, LSP y analizadores especializados permiten recuperar símbolos, relaciones, llamadas, herencia, referencias, pruebas y dependencias. La recuperación de código combina semántica y estructura: responder qué componente llama a otro o qué prueba protege una regla exige navegar esa estructura. ### Embeddings y reranking Evaluamos modelos de embeddings y rerankers para texto, conversaciones, documentación y código. La elección considera idioma, dominio, longitud, coste, latencia, estabilidad, capacidad de contextualización y rendimiento sobre preguntas reales. Los embeddings forman una vía de recuperación. La respuesta conserva el vínculo con las fuentes y con la estructura que permite examinarla. ## Machine learning, forecasting y optimización Trabajamos con técnicas clásicas y modelos recientes. **Datos tabulares.** CatBoost, LightGBM, XGBoost, scikit-learn, modelos lineales, modelos probabilísticos y ensambles. Estas herramientas siguen siendo competitivas cuando el problema vive en datos tabulares y la decisión necesita rapidez, calibración o explicabilidad. **Deep learning.** PyTorch, arquitecturas de texto, visión y señales, modelos multimodales, adaptación y fine-tuning, aprendizaje por representaciones. **Series temporales.** Exploramos y evaluamos familias como TimesFM, Chronos, MOIRAI, PatchTST, N-HiTS, Temporal Fusion Transformer y modelos estadísticos y estacionales. Cada familia se compara con baselines y bajo horizontes, regímenes y frecuencias que correspondan a la decisión. **Optimización.** Programación matemática, restricciones, búsqueda, heurísticas, simulación, optimización multiobjetivo, control predictivo, optimización de políticas, asignación de recursos y planificación de secuencias. La optimización se conecta con la operación mediante variables, límites y señales que las personas responsables pueden discutir. ## Python como lenguaje vertebrador Python permite conectar investigación, IA, datos, APIs, automatización y robótica dentro de un mismo ecosistema. Lo utilizamos para modelos, pipelines, agentes, herramientas MCP, servicios, evaluación, simulación, visión, control e integración. Las responsabilidades se separan mediante servicios, eventos, workers, contratos y almacenamiento adecuado, de modo que el sistema pueda crecer sin concentrarse en un único proceso. ## Django, FastAPI y software empresarial **Django.** Aporta una base madura para aplicaciones empresariales, administración, modelos de datos, identidad, permisos y procesos con una vida larga. Lo utilizamos cuando el sistema necesita una estructura de aplicación completa y mantenible, con interfaces para equipos, configuración y gobierno. **FastAPI.** Resulta adecuado para APIs tipadas, servicios de inferencia, herramientas, integraciones y componentes de baja latencia dentro del ecosistema Python. Pydantic ayuda a validar contratos y compartir esquemas entre entradas, modelos y salidas. **PostgreSQL.** Funciona como base transaccional, relacional y, mediante extensiones, también léxica y vectorial. Su capacidad para reunir estado operativo, metadatos, relaciones y recuperación mantiene la infraestructura proporcionada al problema. **Eventos y mensajería.** NATS y JetStream permiten distribuir eventos, desacoplar componentes y conservar mensajes cuando una operación necesita reanudación y consumidores independientes. Los eventos se diseñan como contratos de dominio. **Contenedores y despliegue.** Docker permite reproducir entornos y separar servicios. Cloudflare, edge, GPU y entornos locales se utilizan según latencia, datos, coste y dependencia de hardware. **Interfaces web.** Django, APIs y generadores estáticos como Astro pueden combinarse para crear aplicaciones operativas y webs rápidas, manteniendo contenido y comportamiento en capas adecuadas. ## Evaluación, observabilidad y seguridad La tecnología se adopta junto a la forma de examinarla. Construimos pruebas deterministas, evaluaciones de modelos, conjuntos adversariales, simulaciones, trazas, métricas, comparación de costes, monitorización, control de versiones, límites de herramientas, permisos, recuperación y mecanismos de parada. La observabilidad conecta la salida de un componente con el estado que recibió, la decisión que tomó, la herramienta que utilizó y el resultado que apareció después. En sistemas de agentes, registramos recorridos y políticas. En machine learning, datos, modelo, versión y calibración. En sistemas físicos, señales, estado estimado, comando, límites y efecto observado. ## Inteligencia Física, simulación y robótica Nuestra apuesta tecnológica se extiende a sistemas que perciben, estiman, planifican y actúan. **Newton.** Una plataforma de simulación física acelerada por GPU y extensible, construida sobre tecnologías como NVIDIA Warp y OpenUSD. La utilizamos y evaluamos para representar geometría, dinámica, contactos, articulaciones, materiales y otros fenómenos que permiten probar sistemas físicos antes de llevarlos al hardware. **NVIDIA Warp.** Permite escribir kernels acelerados por GPU desde Python y resulta especialmente útil para simulación, geometría y computación paralela. **cuRobo.** Aporta componentes acelerados por GPU para cinemática inversa, comprobación de colisiones, generación de trayectorias y planificación de movimiento en robots manipuladores. Puede utilizarse como backend de aceleración cuando la geometría y la tarea lo permiten; la validación final incorpora tolerancias, carga, herramientas, seguridad y comportamiento del equipo real. **Control predictivo y MPC de baja latencia.** El control predictivo utiliza un modelo del sistema y optimiza acciones sobre un horizonte respetando restricciones. Lo exploramos para navegación, seguimiento, manipulación y coordinación física, donde tiempo, dinámica y límites deben considerarse juntos. **Visión artificial.** OpenCV, detectores y modelos de visión, AprilTag, calibración, estimación de pose, fusión de señales, procesamiento en GPU y visión en edge. **Plataformas edge y GPU.** NVIDIA Jetson, CUDA, TensorRT cuando procede, GPU para percepción, optimización y simulación, y ejecución local para latencia, continuidad y seguridad. **Robótica y planificación.** Cinemática directa e inversa, modelos geométricos, campos de distancia, detección de colisiones, planificación de trayectorias, control, navegación, estimación de estado, manipulación, telemetría, parada y recuperación. La simulación acelera el aprendizaje. El hardware determina las tolerancias y condiciones que finalmente importan. ## Radar tecnológico El radar organiza nuestras tecnologías en cuatro órbitas —**construimos**, **aplicamos**, **evaluamos** y **laboratorio**— y muestra familias antes que nombres. Unas tecnologías ya sostienen sistemas en operación; otras permanecen en evaluación o en el Laboratorio. El estado se revisa internamente y la clasificación pública indica en qué órbita se encuentra cada familia. ## Qué puede esperar un cliente Una conversación tecnológica con 3.14 puede llegar a modelos, grafos, APIs, GPU o robótica, pero empieza por la capacidad y el resultado. Puede esperar: - una recomendación argumentada; - comparación con alternativas simples; - prototipos que recorren un caso completo; - tecnologías emergentes sometidas a evaluación; - componentes propios allí donde representan conocimiento diferencial; - integración con el paisaje existente; - arquitectura que permite cambiar modelos y proveedores; - observabilidad; - claridad sobre madurez y límites; - transferencia suficiente para continuar. ## Cierre Nuestra apuesta tecnológica consiste en ampliar capacidades sin perder la arquitectura que las convierte en sistemas. Exploramos pronto, construimos donde reside el conocimiento diferencial y llevamos cada tecnología hasta el nivel de integración y evaluación que su responsabilidad exige. --- https://www.3.14financialcontents.com/llms.txt · https://www.3.14financialcontents.com/llms-full.txt