ORAYA — Inteligencia relacional para sistemas físicos

Atestación de un revisor externo · Resultado con

resultados ocultos durante la evaluación

ORAYA ha pasado de la formulación matemática a la implementación, las pruebas con datos físicos públicos, la evaluación a ciegas de contextos completos y la atestación de un revisor externo.

En su prueba más exigente hasta la fecha, ORAYA tuvo que generalizar la evaluación de relaciones a tres contextos físicos de frontera completamente ocultos, sin acceso a los valores de los resultados ocultos, las respuestas de admisión, las respuestas de primera admisión, las razones relacionales, las correlaciones ni las puntuaciones de los señuelos.

La evaluación abarcó 216 relaciones ocultas entre contexto, inicio y resultado, en tres contextos físicos completamente excluidos del entrenamiento.

¿Qué es ORAYA?

La mayoría de los sistemas de inteligencia artificial están diseñados para producir una respuesta.

ORAYA plantea una pregunta previa:

¿La evidencia disponible justifica esa respuesta?

Una señal física puede contener información antes de que esta sea lo bastante fiable como para justificar una decisión. Una relación puede ser fiable en unas condiciones de funcionamiento e inválida en otras. Un resultado puede emerger pronto, tarde o no llegar a ser admisible en las condiciones presentes.

ORAYA está diseñado para identificar esas diferencias.

Evalúa la señal en desarrollo, el resultado considerado y el contexto físico circundante antes de determinar el estado relacional adecuado.

Según la evidencia, ORAYA distingue cuatro estados relacionales posibles:

ESTADO 01 · ADMITIR

La evidencia es suficiente.

La señal disponible ha alcanzado un respaldo suficiente para la relación con el resultado.

La relación puede utilizarse en las condiciones declaradas.

ESTADO 02 · ESPERAR

La relación está desarrollándose.

El resultado puede volverse fiable a medida que aparezca más evidencia, pero actuar ahora sería prematuro.

ORAYA sigue observando la relación en desarrollo.

ESTADO 03 · ABSTENERSE

La evidencia no justifica la afirmación.

El resultado científicamente apropiado es no afirmar el resultado en lugar de forzar una predicción.

ESTADO 04 · NUNCA EN ESTE CONTEXTO

La relación no llega a ser admisible en las condiciones presentes.

ORAYA puede distinguir un resultado que simplemente es prematuro de otro que no debería afirmarse en el contexto observado.

El campo de admisión de Latchman

En la base matemática de ORAYA se encuentra el campo de admisión de Latchman, creado por Rocky Latchman.

Su expresión matemática pública es:

LAFₗ : (Xₛ, Eⱼ, H) ⟼ (Aₗ, τₗ)

En lenguaje sencillo:

(Xₛ) representa la evidencia física disponible en una etapa determinada.

(Eⱼ) representa el resultado considerado.

(H) representa el contexto físico permitido.

(Aₗ) representa la admisión o la abstención.

(τₗ) representa la primera etapa en la que el resultado se vuelve fiable, o la conclusión de que no existe un inicio admisible en ese contexto.

La construcción matemática propietaria subyacente a esta expresión forma parte de la propiedad intelectual protegida de ORAYA.

Una nueva matemática aplicada de la confianza relacional

La matemática predictiva tradicional pregunta:

¿Qué salida se deriva de esta entrada?

ORAYA introduce otro problema matemático:

¿En qué condiciones la propia relación se ha vuelto fiable?

Esto cambia el objeto de estudio.

ORAYA estudia la estructura de:

evidencia

→ validez de la relación

→ primer inicio fiable

→ admisión o abstención

Una relación física no tiene por qué tratarse como permanentemente verdadera o falsa.

Puede emerger a medida que se desarrolla una señal.

Su validez puede cambiar con el contexto físico.

Su primer punto fiable puede desplazarse.

Y, en algunas condiciones, la relación puede no llegar nunca a ser admisible.

Por eso las matemáticas de ORAYA se aplican directamente a decisiones del mundo real.

No pregunta solo qué es probable, sino cuándo la evidencia basta para justificar una acción.

Diseñado para el mundo real

ORAYA está diseñado como una capa de inteligencia relacional que puede funcionar por encima de los sistemas predictivos existentes o junto a ellos.

Una empresa puede contar ya con potentes modelos de aprendizaje automático y grandes cantidades de datos de sensores y, aun así, afrontar una pregunta decisiva:

¿Cuándo debe confiarse realmente en esta predicción?

ORAYA se está desarrollando para cubrir esa carencia.

Sector aeroespacial

Determinar cuándo la evidencia en desarrollo sobre vibraciones, estructuras o motores se vuelve lo bastante fiable para justificar un resultado o una intervención.

Mantenimiento predictivo

Distinguir la degradación emergente real de las relaciones prematuras o sin respaldo.

Identificar cuándo los indicios de alerta permiten actuar por primera vez.

Ensayos no destructivos

Determinar cuándo una respuesta acústica o de ondas guiadas en desarrollo empieza a respaldar un resultado sensible al daño.

Sistemas energéticos

Evaluar cuándo los indicios eléctricos, térmicos, vibratorios o de degradación adquieren relevancia, en lugar de ser simplemente inusuales.

Fabricación

Identificar qué relaciones entre sensores siguen siendo válidas cuando cambian las máquinas, los materiales, las cargas y las condiciones de funcionamiento.

Robótica

Determinar cuándo la evidencia sensorial parcial se ha vuelto lo bastante fiable para respaldar una acción física.

Gemelos digitales

Añadir validación relacional sensible al contexto a simulaciones, sistemas de supervisión y modelos predictivos.

Instrumentación científica

Identificar cuándo la evidencia medida está lo bastante consolidada como para respaldar un estado físico inferido.

De la predicción a la inteligencia relacional

ORAYA podría ayudar a las organizaciones a responder preguntas como:

• ¿Cuándo se ha vuelto fiable una alerta temprana?

• ¿Sobre qué predicción conviene actuar ahora?

• ¿Qué relación necesita más evidencia?

• ¿Qué salida del modelo debería omitirse?

• ¿Qué relación antes fiable ha dejado de ser válida al cambiar las condiciones?

• ¿Qué relación aparentemente sólida falla al probarse frente a contextos ocultos o señuelos?

• ¿Cuál es la primera etapa en la que puede tomarse una decisión fiable?

La oportunidad no consiste necesariamente en sustituir la IA existente.

ORAYA puede aumentar el valor de la IA y de los datos de sensores que una organización ya posee.

Entre las posibles salidas de ORAYA se incluyen:

Mapas de admisión

Zonas de abstención

Superficies de primera admisión

Estados nunca admisibles

Límites de confianza sensibles al contexto

Auditorías de admisiones falsas

Fichas relacionales

Informes de gobernanza de la evidencia

Rocky Latchman

Fundador, presidente e inventor

Rocky Latchman es el fundador y presidente de PALA Institute for Spiral Cognition, el inventor y arquitecto conceptual de ORAYA — Origin Relational Authentic Yield Arising — y el creador del campo de admisión de Latchman.

Su trabajo desarrolla marcos de sistemas en la intersección de las matemáticas aplicadas, la detección física, la inteligencia artificial, la cognición y la ingeniería.

Un tema central de su trabajo es que las relaciones, las condiciones y los límites pueden importar tanto como los objetos medidos.

ORAYA constituye la expresión más desarrollada experimentalmente de este enfoque.

La idea central de Latchman fue que un sistema predictivo no debería estar automáticamente autorizado a afirmar todos los resultados que puede estimar numéricamente.

En cambio, la propia relación debería someterse al examen matemático:

¿Cuándo la evidencia disponible justifica la afirmación?

De ese principio surgió la arquitectura de ORAYA de admisión relacional, abstención, primer inicio fiable e inteligencia relacional sensible al contexto.

ORAYA ha avanzado mediante desarrollo matemático, múltiples dominios de datos físicos públicos, pruebas a ciegas, contextos completos reservados y atestación de un revisor externo.

Patente pendiente

Sistemas y métodos para el análisis de admisión relacional de datos de sensores físicos

ORAYA y su arquitectura de admisión relacional son objeto de una solicitud de patente provisional estadounidense presentada ante la Oficina de Patentes y Marcas de Estados Unidos.

Primer inventor designado: Rocky Latchman

Patente estadounidense pendiente

La solicitud de patente forma parte del programa de PALA para proteger la arquitectura matemática y técnica propietaria de ORAYA mientras desarrolla colaboraciones científicas, industriales, comerciales y de licencia.

PALA Institute for Spiral Cognition

Investigación donde confluyen las matemáticas, la inteligencia y la realidad física.

PALA es un instituto de investigación suizo independiente que desarrolla marcos originales en matemáticas aplicadas, detección física, inteligencia artificial, cognición e ingeniería.

Nuestro trabajo parte de un principio sencillo:

Un resultado debe comprenderse mediante las condiciones y relaciones que lo hacen válido.

PALA desarrolla ideas mediante un ciclo continuo de investigación:

Observación → Relación → Condición → Modelo → Experimento → Evaluación → Corrección → Nueva observación

Este es el espíritu de la cognición en espiral: el conocimiento avanza no mediante una afirmación final, sino a través de ciclos cada vez más rigurosos de formulación, prueba, corrección y ampliación.

ORAYA es actualmente el principal programa de inteligencia relacional aplicada de PALA.

La arquitectura de investigación más amplia de PALA incluye trabajos en sistemas condicionales, matemáticas centradas en las relaciones, física, cognición, abstracción y diseño tecnológico responsable.

¿Por qué colaborar con PALA?

ORAYA ha superado la fase de propuesta teórica inicial.

Ahora combina:

Una invención con nombre propio

Un objeto matemático con nombre propio

Estado de patente pendiente

Una arquitectura implementada

Múltiples dominios de datos físicos públicos

Infraestructura de pruebas a ciegas

Evaluación de contextos completos con resultados ocultos

Atestación de un revisor externo

Una ventaja medible frente a su predecesor de regla fija

La próxima gran frontera es la validación industrial bajo control privado.

Para las organizaciones con problemas complejos de sensores, predicción o fiabilidad, esto ofrece la oportunidad de probar ORAYA en entornos de funcionamiento reales.

Colaboración en investigación

Colabore con PALA para investigar las matemáticas, la ciencia y la próxima generación de inteligencia relacional.

Validación industrial

Aplique ORAYA a datos de sensores bajo control privado y a un problema operativo real.

Compruebe si la admisión relacional, la abstención y el primer inicio fiable aportan un valor medible en su ámbito.

Licencias y desarrollo conjunto

Explore la integración de la arquitectura de inteligencia relacional de ORAYA en productos, plataformas, sistemas de supervisión o infraestructuras de IA existentes.

Desarrollo estratégico e inversión

Apoye la transición de ORAYA de una arquitectura de investigación evaluada externamente a una tecnología industrial escalable.

Las organizaciones estratégicas que participen en una fase temprana podrían, previo acuerdo y validación satisfactoria, vincularse a los primeros despliegues industriales y programas de validación de ORAYA.

Las posibles colaboraciones incluyen:

Socio fundador de validación industrial

Socio fundador de investigación

Socio de desarrollo estratégico

Primer colaborador de despliegue en un ámbito

Inversor o patrocinador de investigación

Participe en la próxima etapa de ORAYA

La próxima frontera de la IA física no consiste solo en producir más predicciones.

Consiste en saber:

cuándo la evidencia se vuelve fiable,

cuándo debe admitirse una relación,

cuándo debe esperar una decisión,

y cuándo la respuesta inteligente es abstenerse.

ORAYA se está construyendo para esa frontera.

PALA Institute for Spiral Cognition

Suiza

Investigación · Matemáticas · IA física · Cognición · Ingeniería

ORAYA — Origin Relational Authentic Yield Arising

Patente estadounidense pendiente

© PALA Institute for Spiral Cognition