Tour del Studio

Mira exactamente cómo funciona
MatrixAI Studio

Un recorrido real — de la instalación a un modelo entrenado y listo para producción. Sin marketing y sin maquetas: todas las capturas están hechas en una sesión de verdad.

InstalaciónCrear el modeloPipeline transparenteEntrenamientoExportarModo LLM
Las capturas están tomadas con el Studio en inglés. La aplicación tiene su propio conmutador de idioma: en español verás los mismos paneles con los rótulos traducidos.
Antes de empezar — Requisitos
Docker Desktop
v4.0 o posterior · Descarga gratuita ↗

Y ya está. MatrixAI funciona entero dentro de Docker: no necesita nada más instalado en tu máquina.

Modo determinista — sin LLM
01
Instalación· determinista

Un clic y arranca

Ejecuta start.bat en Windows o start.sh en Mac y Linux. El script carga la imagen del Studio, comprueba tu licencia y levanta los contenedores. En menos de un minuto tienes el Studio en http://localhost:8080, sin configurar nada.

PowerShell de Windows — start.bat completa los tres pasos en unos 50 segundos
PowerShell de Windows — start.bat completa los tres pasos en unos 50 segundos
02
Crear un modelo· determinista

Cuenta tu objetivo con palabras normales

Abre el Studio y escribe qué quieres que haga el modelo. Sin esquemas, sin definir campos, sin código. Puedes elegir uno de los ejemplos sugeridos o escribir tu objetivo desde cero.

Pantalla principal — el prompt en texto llano, la lista de modelos guardados y los ejemplos
Pantalla principal — el prompt en texto llano, la lista de modelos guardados y los ejemplos
03
Crear un modelo· determinista

MatrixAI lo entiende y lo valida

En segundos MatrixAI genera una especificación validada: pone nombre al proyecto, detecta los campos de entrada, aplica los límites de seguridad y marca el modelo como Validado antes de entrenar un solo peso.

BinaryClassifierProject — generado desde el prompt de reingresos hospitalarios, Validado
BinaryClassifierProject — generado desde el prompt de reingresos hospitalarios, Validado
04
Transparencia· determinista

Una construcción que se ve entera

Cada etapa aparece con su estado — Completada, Aviso o Fallo. Prompt Router, Dense Network Generator, Parser, Verifier Agent, Safety Agent, Type Check, Backend Contract y Python Compiler se ejecutan en orden. Nada escondido detrás de un «pensando…».

Vista del pipeline — 8 etapas, cada una con su resultado y sus avisos
Vista del pipeline — 8 etapas, cada una con su resultado y sus avisos
05
Transparencia· determinista

La arquitectura de la red, explícita

En la pestaña de arquitectura tienes la red como diagrama: tipos de capa, funciones de activación y número de parámetros. INPUT[4] → Dense(32, relu) → Dense(16, relu) → Dense(1, sigmoid) → Probability. Cada dimensión se ve antes de empezar a entrenar.

Pestaña de arquitectura — 705 parámetros entrenables, todos explícitos
Pestaña de arquitectura — 705 parámetros entrenables, todos explícitos
06
Entrenamiento· determinista

Sube tus datos o genera una muestra

La sección de entrenamiento enseña el formato exacto de CSV que espera el modelo. Sube tu fichero o pulsa «Generate sample dataset» para obtener uno listo para usar. Los tipos de cada campo y sus rangos se detectan solos, y se pueden corregir.

Panel de entrenamiento — formato de CSV esperado, número de filas y ajuste de rangos
Panel de entrenamiento — formato de CSV esperado, número de filas y ajuste de rangos
200 filas validadas — vista previa de los datos y botón para descargar el CSV
200 filas validadas — vista previa de los datos y botón para descargar el CSV
07
Entrenamiento· determinista

La curva de entrenamiento, en directo

Pulsa «Start training» y verás la pérdida de entrenamiento y la de validación actualizarse en vivo. Al terminar aparecen la mejor época, la exactitud y el F1 macro, y en cualquier modelo de clasificación también la matriz de confusión. El entrenamiento de abajo usa datos sintéticos de muestra, así que su exactitud no dice nada del método — lo que enseña es que se informan TODOS los números, también los malos.

Entrenamiento terminado sobre una muestra sintética — mejor época 1, exactitud 50 %, F1 macro 46 %: nivel del azar, dicho tal cual en vez de escondido
Entrenamiento terminado sobre una muestra sintética — mejor época 1, exactitud 50 %, F1 macro 46 %: nivel del azar, dicho tal cual en vez de escondido
08
Probar· determinista

Predecir moviendo controles

Ajusta los valores de entrada con los controles y pulsa «Run model». El resultado enseña la clasificación, el nivel de confianza, la valoración del panel de seguridad y una lista ordenada de qué campos pesaron más en la decisión.

Probar el modelo — cada campo se ajusta con su control
Probar el modelo — cada campo se ajusta con su control
Ejecutado — decisión, panel de seguridad y peso de cada campo en el resultado
Ejecutado — decisión, panel de seguridad y peso de cada campo en el resultado
09
Ejemplos guiados· determinista

Escenarios listos para ejecutar

La biblioteca de ejemplos trae escenarios ya montados: correo seguro inteligente, valoración del riesgo de caídas, dispensación en farmacia y más. Eliges uno, rellenas los valores y ves exactamente cómo llega MatrixAI a su decisión — confianza, nodos activados y qué pesó en el resultado.

Biblioteca de ejemplos — eliges un dominio y rellenas el formulario
Biblioteca de ejemplos — eliges un dominio y rellenas el formulario
«Technical support» clasificado con un 97,0 % de confianza — con toda la traza del razonamiento
«Technical support» clasificado con un 97,0 % de confianza — con toda la traza del razonamiento
10
Exportar· determinista

Exportar para producción

Descarga el modelo entrenado como fichero ONNX (para cualquier runtime ONNX), como paquete WASM (funciona en el navegador, sin servidor) o como paquete autónomo. Cada exportación incluye una huella del contenido para comprobar que nadie lo ha tocado.

Formatos de exportación — ONNX, paquete WASM, paquete autónomo
Formatos de exportación — ONNX, paquete WASM, paquete autónomo
Informe de exportación — formato, huella, opset 17 y funciones exportadas
Informe de exportación — formato, huella, opset 17 y funciones exportadas
Modo LLM — arquitectura asistida, opcional
11
Modo LLM· modo LLM

Conecta tu LLM para arquitecturas avanzadas

En Ajustes puedes poner la clave de cualquier proveedor con chat-completions — OpenAI, Anthropic, DeepSeek, Gemini, Ollama o cualquier endpoint compatible. Con el LLM activo, MatrixAI pasa a modo LLM y puede proponer arquitecturas compuestas para conjuntos de datos complejos y heterogéneos.

Ajustes — proveedor, modelo, endpoint y clave
Ajustes — proveedor, modelo, endpoint y clave
LLM activo — DeepSeek chat confirmado en la barra de estado
LLM activo — DeepSeek chat confirmado en la barra de estado
12
Modo LLM· modo LLM

Arquitecturas complejas desde un solo prompt

Describe un modelo de reingreso hospitalario con 24 campos, embeddings para las variables categóricas y una salida de riesgo en 4 clases. El LLM propone conexiones residuales para capturar las interacciones no lineales entre constantes, analíticas y comorbilidades. MatrixAI aplica el contrato de seguridad a cada sugerencia del LLM.

Prompt detallado — 24 campos, embeddings, entropía cruzada, clasificación en 4 clases
Prompt detallado — 24 campos, embeddings, entropía cruzada, clasificación en 4 clases
HospitalReadmissionRiskNetProject — las 24 entradas detectadas y una red compuesta propuesta
HospitalReadmissionRiskNetProject — las 24 entradas detectadas y una red compuesta propuesta
Pipeline — Composite Network Generator, con la justificación arquitectónica del LLM
Pipeline — Composite Network Generator, con la justificación arquitectónica del LLM
Arquitectura compuesta — bloques Dense+LayerNorm+Residual y salida ProbabilityMap
Arquitectura compuesta — bloques Dense+LayerNorm+Residual y salida ProbabilityMap
13
Entrenar a lo grande· modo LLM

Entrenar con 50.000 filas y rangos clínicos

Pon los rangos clínicos reales de cada campo —edad 18-95, tensión sistólica 80-200, creatinina 0,5-5— y genera un conjunto de 50.000 filas. El entrenamiento avanza época a época sobre el modelo compuesto, con la curva en vivo, el contador de épocas y el mejor punto de control. Los datos son sintéticos, así que la curva enseña la mecánica a escala, no un modelo útil en clínica.

50.000 filas — editor de rangos campo a campo con valores clínicos
50.000 filas — editor de rangos campo a campo con valores clínicos
Época 20 del modelo compuesto — pérdida de entrenamiento y de validación en vivo sobre 50.000 filas sintéticas
Época 20 del modelo compuesto — pérdida de entrenamiento y de validación en vivo sobre 50.000 filas sintéticas
14
Interfaz por fases

El ciclo entero, una fase cada vez

La interfaz por fases recorre el ciclo completo en orden —modelo, datos, entrenamiento, auditoría, prueba y despliegue— y cada fase dice qué le falta antes de dejarte pasar a la siguiente. Se empieza con una frase, con tu propio CSV o con una plantilla del catálogo.

Tres formas de entrar: descríbelo, sube un CSV o parte de una plantilla
Tres formas de entrar: descríbelo, sube un CSV o parte de una plantilla
Catálogo de plantillas — categoría, dificultad y si descarga algo
Catálogo de plantillas — categoría, dificultad y si descarga algo
15
Interfaz por fases

Qué hace una plantilla — y qué no

Cada plantilla dice sus columnas, de dónde salen los datos, su licencia y para qué NO sirve, antes de crear nada. La licencia hay que aceptarla explícitamente: la aceptación queda registrada con los términos exactos que has leído.

Celsius a Kelvin — columnas, aviso de datos sintéticos, limitaciones y licencia
Celsius a Kelvin — columnas, aviso de datos sintéticos, limitaciones y licencia
La arquitectura propuesta, con el pipeline que la construyó, etapa a etapa
La arquitectura propuesta, con el pipeline que la construyó, etapa a etapa
16
Interfaz por fases

Un entrenamiento que se comprueba con una resta

Kelvin es exactamente Celsius más 273,15, así que el error correcto es cero y cualquiera puede comprobar el resultado a mano. El modelo llega a MAE 0.000 y R² 1.000 en 50 épocas, y para 25 °C predice 298.103 — la respuesta exacta es 298,15.

Entrenamiento terminado — MAE 0.000, RMSE 0.000, R² 1.000, mejor época 42
Entrenamiento terminado — MAE 0.000, RMSE 0.000, R² 1.000, mejor época 42
25 °C → 298.103 K. El panel nombra el objetivo y avisa de que responde una cantidad, no un sí/no
25 °C → 298.103 K. El panel nombra el objetivo y avisa de que responde una cantidad, no un sí/no
La interfaz por fasesVa en la descarga

El manual completo de las seis fases —modelo, datos, entrenamiento, auditoría, prueba y despliegue— captura a captura, con lo que informa cada fase y lo que dice que no hace.

La receta de datosVa en la descarga y en la demo

La regla que escribes para que las filas generadas signifiquen algo en vez de salir sorteadas: condiciones, AND/OR, DEFAULT, el ruido declarado, el reparto de clases que pidas y los objetivos continuos — línea a línea, y con lo que el core te devuelve.

El WorkbenchEn desarrollo

Una tercera interfaz, montada como un taller: paneles que se mueven, una paleta de comandos y todas las vistas del mismo modelo a un clic. SÍ va en la descarga — el Studio abre en la interfaz por fases y el Workbench está a un clic desde sus Ajustes. En la demostración pública no está.

Una herramienta, dos caminos

Llévate MatrixAI Studio

Una descarga, un script y tu instancia funcionando en local en minutos. Sin depender de la nube. Ningún dato sale de tu máquina.

Empezar ↗