Auditable · Trazable · Sin cajas negras
Crea una red neuronal
que puedes auditar
Describe tu modelo con palabras normales. MatrixAI lo construye, lo entrena y lo despliega con auditoría criptográfica en cada paso. Sin PyTorch a la vista. Sin dependencias ocultas.
Qué significa eso — y qué no13.413 pruebas en verde
ONNX + WASM
GPU opcional
Una herramienta, dos formas de entrar
SandboxHuella criptográficaGPU opcionalPaquete autónomoONNX / WASMHugging Face
01
Un prompt — o tu CSV
Describe el problema con palabras normales, o sube un CSV: MatrixAI deduce el esquema, propone la columna objetivo y te deja corregir tipos y rangos antes de construir nada.
02
Propuesta supervisada
MatrixAI propone un modelo. Tú lo revisas, lo ajustas o lo apruebas. No se construye nada sin que una persona lo vea.
03
Modelo .mxai — una IR auditada
El modelo se compila a una representación intermedia que se lee. Cada capa tiene nombre, tipo y huella.
04
Entrenamiento trazable
Parámetros versionados, métricas registradas, trazas de gradiente. Cada entrenamiento se puede reproducir entero.
05
Servir, exportar o publicar
Se sirve por HTTP con autenticación Bearer, se exporta a ONNX, a WASM o a un paquete autónomo que funciona sin MatrixAI — o se publica directamente en Hugging Face.
Qué sabe hacer
Funciona conDatos tabularesSeries temporalesTexto libre — modelos transformer
Los modelos transformer entrenan sobre torch, que viaja en el paquete con GPU.
Auditabilidad
Huella criptográfica en cada artefacto
Cada modelo, cada ParameterSet y cada traza de entrenamiento llevan un SHA-256. Sabes exactamente qué versión del modelo tomó cada decisión, cuándo y con qué datos.
✓ model_hash: sha256:4af2…c391
✓ param_set_id: ps-20260519-001
✓ trace_signature: hmac-sha256:…
✓ param_set_id: ps-20260519-001
✓ trace_signature: hmac-sha256:…
Declarativo
Tú defines el modelo, no las matemáticas
El formato .mxai se lee. Cada capa tiene nombre, tipo y parámetros declarados. De la aritmética de tensores se encarga MatrixAI.
NETWORK CreditScorer {
LAYER Dense units=64 act=relu
LAYER LayerNorm
LAYER Dropout rate=0.1
OUTPUT Probability
}
— sin PyTorch a la vista
LAYER Dense units=64 act=relu
LAYER LayerNorm
LAYER Dropout rate=0.1
OUTPUT Probability
}
— sin PyTorch a la vista
Acciones seguras
Un contrato explícito antes de actuar
Las acciones reales (correo, HTTP, base de datos) exigen un fichero .mxact firmado, un ensayo en seco correcto y una vuelta atrás declarada. No se ejecuta nada sin dejar traza.
Portabilidad
ONNX, WASM, paquete autónomo, GPU
Exporta el modelo entrenado a ONNX para inferencia universal, a WASM para el navegador, o a un paquete autónomo listo para producción. GPU opcional sin cambiar una línea de código.
ONNXWASMPaquete autónomoAPI HTTPGPU opc.
Precio
El motor de redes neuronales es gratis. El paquete Studio, 2 €.
El motor es código abierto y lo seguirá siendo siempre. El paquete Studio quita toda la fricción de la instalación para que tu equipo produzca desde el primer minuto.
MatrixAI Core
Gratis
Código abierto · AGPL v3
- ✓Motor completo · listo para producción
- ✓Interfaz de línea de comandos
- ✓API REST + Swagger
- ✓Exportación a ONNX / WASM
- ✓GPU opcional · listo para Docker
- ✓AGPL v3 — código abierto de verdad
El motor será siempre gratuito y de código abierto. · Los 2 € financian que esto siga adelante.
Casos de uso
Banca y finanzas
Trazabilidad regulatoriaEl problema
El regulador pregunta qué modelo aprobó qué préstamo. Hoy la respuesta es una hoja de cálculo y rezar.
La solución
MatrixAI registra la huella del modelo, sus parámetros y la traza de la decisión en cada predicción. La respuesta a la auditoría es un fichero firmado y con fecha.
↗ Cada decisión de crédito es auditable por diseño
Sanidad
Explicabilidad clínicaEl problema
El modelo predice riesgo alto. El comité pregunta por qué. La caja negra no tiene respuesta.
La solución
Cada predicción incluye la explicación que genera MatrixAI Studio, escrita para leerse. Defendible ante cualquier comité médico.
↗ Cada decisión de riesgo lleva una justificación legible
Operaciones y soporte
Clasificación inteligenteEl problema
El equipo de soporte clasifica y reparte los tiques a mano. No escala. Cada error cuesta horas.
La solución
Un modelo compuesto con embeddings clasifica y reparte los tiques solo. Sin caja negra: cada asignación explica su razonamiento.
↗ Se acabó repartir a mano, sin perder la explicación
Agentes operativos
Acciones auditadasEl problema
Los agentes automáticos actúan sin un contrato explícito. Cuando algo falla, no hay traza ni vuelta atrás.
La solución
MatrixAI ejecuta acciones reales bajo un contrato .mxact firmado con HMAC-SHA256, con ensayo en seco obligatorio y vuelta atrás declarada.
↗ Acción automática + firma + vuelta atrás = operar con responsabilidad
Pruebas y trazabilidad
13.413
Pruebas en verde
✓
Decisiones trazables
0
En rojo
6179
Motor
4925
Studio
214
Navegador real
2095
Backend del producto
Suites automáticas — 13.413 pruebas0 en rojo