01Investigación
El método científico, aplicado a productos.
02Enfoque
Tres transformaciones.
Matemáticas, optimización y aprendizaje automático se combinan a lo largo de un único camino. Cada etapa tiene un modo de fallo distinto, y confundirlas es como se atascan los proyectos.
Formulación
problema → modelo
Una pregunta del mundo real se convierte en variables, restricciones y un objetivo. Aquí entra el conocimiento del dominio y aquí se decide la mayor parte de la calidad final.
Solución
modelo → respuesta
La optimización, la inferencia o el aprendizaje producen una respuesta, junto con una cuenta honesta de su incertidumbre y del régimen en que es válida.
Producto
respuesta → decisión
La respuesta se incrusta en software sobre el que una persona puede actuar: rápido, legible y explícito acerca de lo que no sabe.
03Áreas
Siete campos en los que trabajamos.
Listados con el estado que cada uno tiene hoy en el estudio, con honestidad: aplicado en algo que hemos publicado, en trabajo activo, o exploratorio.
Modelización matemática
Elegir la representación de un sistema que sea lo bastante fiel para ser útil y lo bastante simple para razonar sobre ella. Las decisiones más difíciles de un modelo son las de qué dejar fuera.
- Ecuaciones diferenciales ordinarias y en derivadas parciales
- Sistemas dinámicos
- Modelos dosis–respuesta y de acumulación
- Integración numérica
- Análisis de sensibilidad e incertidumbre
Optimización
La mayoría de las decisiones que merece la pena automatizar son problemas de optimización con restricciones. Trabajamos tanto en la formulación como en el solver, porque un problema bien planteado es casi toda la respuesta.
- Optimización convexa
- Programación lineal y entera mixta
- Programación con restricciones
- Métodos basados en gradiente
- Metaheurísticas
Aprendizaje automático
Aprender funciones a partir de datos cuando escribirlas a mano no es práctico — con una validación diseñada para fallar en voz alta en lugar de halagar al modelo.
- Aprendizaje supervisado y no supervisado
- Series temporales y predicción
- Aprendizaje de representaciones
- Calibración de modelos
- Diseño de evaluación robusta
Modelos de lenguaje
Trabajo aplicado en anclaje, recuperación, salida estructurada y evaluación. Nos interesa la frontera: qué partes de una tarea debe asumir un modelo de lenguaje y cuáles no debería recibir nunca.
- Generación aumentada por recuperación
- Decodificación estructurada y restringida
- Uso agéntico de herramientas
- Suites de evaluación y regresión
- Modelización de coste y latencia
Visión por computador
Extraer medidas de imágenes. Nos interesa la visión como instrumentación —colorimetría, detección y geometría— más que como fin en sí misma.
- Clasificación y segmentación de imágenes
- Colorimetría (CIE-Lab)
- Calibración de cámara
- Inferencia en el dispositivo
Estadística e inferencia
La disciplina que decide si un resultado significa algo. Diseño experimental, cuantificación de la incertidumbre y la diferencia entre una correlación y una decisión.
- Inferencia bayesiana y frecuentista
- Diseño experimental
- Inferencia causal
- Análisis de supervivencia y longitudinal
- Cuantificación de incertidumbre
Investigación operativa
Colas, planificación, rutas, inventario y capacidad — la matemática de cómo gastan realmente sus recursos las organizaciones, y donde los porcentajes pequeños se vuelven cifras grandes.
- Teoría de colas
- Planificación y rutas
- Modelos de inventario y capacidad
- Simulación de eventos discretos
- Análisis de decisiones bajo riesgo
04Publicaciones
Aquí todavía no hay nada, y no vamos a fingir lo contrario.
Lluyot Labs no ha publicado trabajo revisado por pares. Listar artículos que no hemos escrito, o preprints que no existen, sería la forma más rápida de perder lo único que tiene un laboratorio joven.
Lo que sí existe es trabajo de modelización aplicada funcionando ya dentro de un producto publicado, con sus fuentes citadas en el propio producto. Cuando haya algo que merezca enviarse, aparecerá aquí — con enlace, fecha y lugar de publicación.
Mientras tanto, lo más parecido a un registro técnico es el diario de ingeniería — descripciones de decisiones reales de modelización, incluidas las que primero estuvieron mal.
05Código abierto
Nada publicado todavía. Esta es la política.
Nuestra organización de GitHub existe y está vacía, que es el estado exacto de las cosas. La intención es concreta y no aspiracional: cuando una pieza de trabajo de modelización se vuelve lo bastante general como para ser útil fuera del producto para el que se hizo, se extrae y se publica. Las herramientas que otros ingenieros usan las corrigen otros ingenieros, y eso vale más para nosotros que mantener el código privado.
Colaboración
¿Trabajas en algo abierto?
Nos interesan los problemas en los que la modelización está genuinamente sin resolver, y las colaboraciones con grupos académicos y empresas que tienen datos y una pregunta pero ningún camino de los unos a la otra.