AI Atlas
De primeros principios a sistemas de producción.
Un mapa ejecutable de sistemas inteligentes: desde vectores, probabilidad, búsqueda, objetivos, gradientes y representaciones aprendidas hasta inferencia, retrieval, agentes, evaluación, seguridad y operaciones.
La IA es cómputo observable, no una caja mágica.
Cada nota pregunta qué se representa, computa, optimiza, aprende, mide, oculta un framework y cambia bajo restricciones de producción.
Elegí un recorrido; mantené visible el cómputo.
Cada recorrido explicita prerequisitos y cruza teoría, implementación, evidencia, modos de falla y comportamiento en producción.
Primeros Principios
Matemática → probabilidad → optimización → autodiff → redes neuronales → transformers
02AI Engineer
ML → deep learning → datos → entrenamiento → inferencia → evaluación → MLOps
03Sistemas LLM
Transformers → modelos de lenguaje → contexto → retrieval → agentes → evals → seguridad
04Alfabetización Científica
Matemática → papers → reproducción → experimentos → interpretación → evidencia
05Producto y Producción
Problema → datos → baseline → evals → producto → deployment → monitoreo
Glassbox AI Lab
Construí el stack progresivamente: escalares y probabilidad → autodiff → modelos → runtimes → retrieval → agentes → evidencia de producción.
Números, vectores y probabilidad
Autodiff desde cero
Red neuronal desde cero
Framework de tensores y modelo de imagen
Tokenizer y mini-transformer
Entrenamiento y adaptación
Runtime de inferencia
Sistema de retrieval
Agente que usa herramientas
Pipeline multimodal
Sistema de IA en producción
Profundidad y estado editorial
Orientación
Cómo usar el Atlas, leer su notación, validar claims y elegir un recorrido.
Empezá por acá — IA desde primeros principios a producción
Cómo navegar AI Atlas, leer matemática, ejecutar labs Glassbox, validar claims y elegir un recorrido.
ExplorarImprescindible — Doce reglas para pensar con claridad sobre IA
Doce reglas first-principles sobre objetivos, datos, incertidumbre, evaluación, deployment, agentes y oversight.
ExplorarÍndice de IA
Mapa raíz de IA desde fundamentos matemáticos y computacionales hasta modelos, agentes, evaluación, seguridad, producto y producción.
ExplorarFundamentos
Matemática, computación, razonamiento clásico, aprendizaje estadístico, datos, supuestos e incertidumbre.
Matemática para IA
Álgebra lineal, cálculo, probabilidad, estadística, teoría de la información, optimización y estabilidad numérica.
Computación y Autodiff
Tensores como arrays, vectorización, compute graphs, autodiff reverso, floating point, paralelismo y reproducibilidad.
IA Clásica y Razonamiento
Búsqueda, heurísticas, restricciones, planificación, lógica, representación de conocimiento, razonamiento probabilístico y teoría de decisión.
Fundamentos del Aprendizaje
Formulación de problemas, generalización, sesgo inductivo, distribution shift, leakage, métricas y cuándo no usar aprendizaje.
Machine Learning Estadístico
Regresión, clasificación, árboles, ensembles, kernels, clustering, reducción dimensional, calibración y análisis de errores.
Datos para IA
IA centrada en datos: calidad, labeling, diseño de datasets, datos sintéticos, contaminación, documentación y pipelines.
Aprendizaje y Modelos
Aprendizaje neuronal, decisiones secuenciales, arquitecturas, lenguaje, visión, audio y multimodalidad.
Deep Learning
Redes neuronales, representaciones, optimización, embeddings y comportamiento al escalar.
Reinforcement Learning
Decisiones secuenciales, ecuaciones de Bellman, value learning, policy gradients, exploración, offline RL, world models y conexiones con alignment.
Arquitecturas de Modelos
CNNs, modelos de secuencia, attention, transformers, mixture of experts, state-space models, difusión y tradeoffs arquitectónicos.
Modelos de Lenguaje y Fundacionales
Tokenización, decoder transformers, pretraining, data mixtures, scaling, decoding, instruction tuning, razonamiento y familias de modelos.
Visión, Audio e IA Multimodal
Imágenes, visión, detección, segmentación, speech, fusión multimodal, difusión, video, evaluación, datos y seguridad.
Entrenamiento e Inferencia
Sistemas de entrenamiento, adaptación, runtimes de inferencia, hardware, latencia, throughput y costo.
Entrenamiento y Adaptación
Training loops, entrenamiento distribuido, mixed precision, checkpointing, SFT, LoRA/QLoRA, preference optimization, distillation y aprendizaje continuo.
Sistemas de Inferencia
Carga de modelos, kernels, memory bandwidth, quantization, prefill/decode, KV cache, batching, routing, edge, latencia, throughput y costo.
Contexto y Agencia
Prompts, contexto ensamblado, retrieval, memoria, herramientas, agentes, permisos y recuperación.
Context Engineering
System prompts, ejemplos, salidas estructuradas, armado y compresión de contexto, memoria y tradeoffs de long context.
Agentes y Herramientas
Tool calling, bucles de planificación, memoria, handoffs, límites de autonomía y controles de operador.
Retrieval y Conocimiento
Retrieval sparse y dense, chunking, embeddings, ranking, transformaciones de consulta, grounding, citas, memoria y evaluación.
Medición y Confianza
Evaluación, interpretabilidad, safety, seguridad, gobernanza, incertidumbre y evidencia de release.
Evaluación y Medición
Splits, métricas, calibración, incertidumbre, evaluación humana, evidencia estadística, product evals, regresiones y taxonomías de error.
Interpretabilidad
Atribución de features, probes, activaciones, representaciones, circuitos, sparse autoencoders, intervenciones causales y límites de fidelidad.
Seguridad de IA
Modelado de amenazas, misuse, prompt injection, fuga de datos, safety cases y controles de despliegue.
Ética y Gobernanza de IA
Fairness y sesgo, transparencia, documentación de modelos, privacidad, regulación (EU AI Act), frameworks de gobernanza e impacto social.
Producto y Operaciones
Formulación de producto, MLOps, observabilidad, monitoreo, feedback, confiabilidad y revisión humana.
MLOps y Operaciones
Pipelines, registries, CI/CD, observabilidad, monitoreo, drift, feedback, releases, rollback, confiabilidad y capacidad.
Ingeniería de Producto con IA
UX, latencia, costo, observabilidad, revisión humana, métricas de producto y tradeoffs de entrega.
Labs, Investigación y Playbooks
Labs Glassbox, reproducción de papers, research logs y playbooks repetibles.
Investigación y Experimentación
Leer papers, reconstruir claims, reproducir resultados, probar evidencia estadística, detectar benchmark gaming y mantener un research log.
Playbooks de IA
Procedimientos repetibles para construir, evaluar, depurar y entregar sistemas con IA.
Mapa de attention del transformer
Una nota conceptual corta sobre attention como ruteo entre representaciones de tokens.
Registros y memoria operativa
Los registros mantienen referencias externas, decisiones, datasets, herramientas y activos de evaluación normalizados detrás de notas atómicas cortas.