Empezá por acá — IA desde primeros principios a producción

AI Atlas es un mapa canónico y ejecutable de sistemas inteligentes. No intenta resumir cada paper: vuelve inspeccionable el cómputo importante, desde representación, supuestos, objetivo, forward pass, loss, gradientes y parámetros aprendidos hasta inferencia, evaluación, comportamiento de producto y operaciones.

La tesis es de primeros principios a sistemas de producción. Tenés que poder explicar qué ocurrió dentro de una llamada al modelo, reproducir un mecanismo acotado, medir si funcionó e identificar qué cambió al convertirse en producto.

Prerequisitos

Necesitás fluidez básica de programación: variables, funciones, loops, tests, command line y lectura de stack traces. Python es el lenguaje principal para labs matemáticos y de modelos; TypeScript aparece cuando agentes, herramientas y límites de producto lo vuelven más claro.

No necesitás matemática avanzada antes de empezar. Sí necesitás frenar cuando la notación no está definida, resolver ejemplos numéricos y no confundir familiaridad visual con comprensión.

El grafo de aprendizaje

1. Leé las páginas de fase en orden.
2. Ojeá los índices de rama antes de entrar en notas individuales.
3. Seguí prerequisitos antes de saltar a mecanismos avanzados.
4. Ejecutá los labs; predecí el output antes.
5. Compará comportamiento esperado y observado.
6. Registrá fallas, incertidumbre, entorno y versiones.
7. Usá playbooks cuando un concepto deba volverse procedimiento repetible.

formulación del problema
→ datos y representación
→ objetivo y supuestos
→ arquitectura
→ forward computation
→ loss
→ gradientes y optimización
→ representación aprendida
→ inferencia y decoding
→ evaluación
→ comportamiento de producto y operación

Elegí un recorrido

Primeros Principios

Matemática → computación y autodiff → deep learning → arquitecturas → modelos de lenguaje y fundacionales. Usalo si las abstracciones de frameworks todavía parecen magia.

AI Engineer

ML Estadístico → datos → deep learning → entrenamiento y adaptación → inferencia → evaluación → MLOps. Usalo para llevar sistemas desde experimento hasta servicio confiable.

Sistemas LLM

Self-attention → prompt a token → context engineering → retrieval → agentes → evals → seguridad. Usalo si ya construís con APIs pero querés exponer el stack oculto.

Research Literacy

Matemática → lectura y reproducción → reproducibilidad → interpretación → logs de evidencia. Usalo para evaluar claims en lugar de seguir narrativas de releases.

Producto y Producción

Formulación → datos → baseline → evals → producto → deployment → monitoreo. Usalo cuando el éxito es una decisión del usuario, no un score del modelo.

Cómo leer la matemática

1. Identificá símbolo, tipo y shape.
2. Declará qué queda fijo y qué puede cambiar.
3. Calculá un ejemplo numérico mínimo.
4. Revisá unidades, rangos y normalización.
5. Implementá la operación sin el helper de alto nivel.
6. Compará resultado analítico y chequeo numérico cuando haya derivadas.

Si una nota usa matemática sin permitir estos pasos, tratala como incompleta.

Cómo usar Glassbox AI Lab

Glassbox AI Lab es el proyecto vertebrador en Investigación y Experimentación. Empezá por labs/glassbox/README.md, corré los tests y rompé deliberadamente una invariante. El objetivo no es juntar demos: es conectar una falla observada con un supuesto matemático o de sistema.

Cada milestone completo incluye pregunta, arquitectura, código, fixture o dataset, tests, seed, métricas, expected output, failure modes y postmortem.

Cómo validar un claim

1. Escribilo lo bastante acotado como para falsarlo.
2. Encontrá el paper, spec, source code o texto legal primario.
3. Registrá fecha, versión, dataset, hardware, métrica y baseline.
4. Separá medición de los autores de tu inferencia.
5. Buscá ablations, intervalos, resultados negativos y contaminación.
6. Reproducí el comportamiento mínimo que importa.
7. Marcá qué sigue incierto.

“State of the art”, “emergent”, “aligned”, “interpretable” y “production-ready” son claims incompletos sin tarea, métrica, comparación, fecha y alcance.

Labels editoriales

• kind: concept, derivation, implementation, system, playbook, paper guide o lab.
• level: beginner, intermediate o advanced.
• status: current, review-needed, outdated, planned o experimental.
• last_verified: hubo revisión real de fuentes y mecanismo; nunca se completa en masa.

Tu primer loop

Leé Imprescindible, después Vectores, matrices y tensores, Probabilidad, likelihood e incertidumbre, Gradient Descent y Optimización y Backpropagation desde primeros principios. Corré Glassbox v0 y v1. Recién después saltá a Self-Attention desde primeros principios.

Conecta con: Fase 00 — Orientación · Investigación y Experimentación · Playbooks de IA

Fuentes

• Artificial Intelligence: A Modern Approach — mapa amplio de IA clásica y estadística.
• Mathematics for Machine Learning — matemática conectada con mecanismos de ML.
• Dive into Deep Learning — texto ejecutable con shapes explícitos.
• Full Stack Deep Learning — puente de modelos a producción.