Motor de Inteligencia Probabilística e Inferencia Markoviana para decisiones críticas en tiempo real.
Auditable, Explicable y listo para Producción On-Premise o Cloud.
A diferencia de las "Cajas Negras" del Deep Learning, nuestros modelos Markovianos son transparentes. Cada predicción es trazable a una probabilidad matemática exacta.
Diseñado en C++ para correr en cualquier lugar: desde una Raspberry Pi (Edge) hasta servidores masivos (Cloud), con mínimos requisitos de RAM.
Exponemos métricas nativas para Prometheus, Health Checks y límites de seguridad configurables para operar sin sorpresas en entornos críticos.
Soporte nativo para cuatro arquitecturas probabilísticas fundamentales, cubriendo desde análisis de secuencias hasta optimización de decisiones.
| Modelo | Nombre Completo | Caso de Uso Ideal | Input Principal | Output |
|---|---|---|---|---|
| DTMC | Discrete-Time Markov Chain | Predicción de secuencias, "Next Best Action", Logs de usuario. | Secuencias de eventos. | Siguiente estado probable. |
| HMM | Hidden Markov Model | Diagnóstico de fallos con sensores ruidosos, detección de anomalías. | Observaciones (ruido) y Estados Reales. | Estado oculto real vs observado. |
| MDP | Markov Decision Process | Optimización de estrategias, robótica, logística inteligente. | Transiciones + Recompensas (Rewards). | Política óptima (Estrategia ganadora). |
| CTMC | Continuous-Time Markov Chain | Ingeniería de confiabilidad (SRE), cálculo de MTBF, Disponibilidad. | Tasas de transición (Rates) y Tiempos. | Tiempo medio hasta fallo, % Uptime. |
Dimensionamiento de hardware recomendado para despliegue On-Premise.
| Escala | Tamaño del Modelo (N Estados) | RAM Recomendada | CPU Sugerida | Caso Típico |
|---|---|---|---|---|
| Pequeña | < 500 | 128 MB | 1 vCPU | IoT, Edge, UI Flows |
| Mediana | 500 - 3,000 | 4 GB | 2 vCPU | SaaS Backend, Procesos Industriales |
| Grande | > 3,000 | 16 GB | 4+ vCPU | Análisis Demográfico, Redes Complejas |
Protección integrada contra denegación de servicio (DoS) accidental:
Todo el estado es serializable a JSON. Soporte para Backups en caliente y restauración instantánea de modelos entrenados.
POST /models/{id}/trainPOST /models/{id}/predict-nextGET /models/{id}/metrics
Métricas expuestas nativamente en /metrics sin exporters externos:
stateflow_requests_totalstateflow_requests_errorsstateflow_requests_duration_msStateFlowAI está disponible para licenciamiento On-Premise o como servicio gestionado.
Emiliano Traba
Lead Developer & Architect