Qué consigues —
y qué no

Tres puertas: una frase, tu CSV, o una plantilla del catálogo. Entres por donde entres, el core lee los datos, propone un objetivo con su porqué — y la alternativa que consideró — e imprime el esquema que infirió: cada campo, su tipo, su rango, todo editable. Él propone; tú decides. Y la pantalla te avisa de la parte que importa: un rango mal puesto hace que el modelo aprenda sobre un dominio que no existe.

La auditoría no es un resumen del entrenamiento. Seis comprobaciones corren contra el propio modelo — parser, verifier_agent, safety_agent, typecheck, python_compiler, backend_contract — y se repiten con cada cambio, así que el veredicto no puede caducar a tus espaldas. Las etapas del pipeline que no tienen aprobado/suspenso se listan aparte con lo que sí declararon, en vez de desaparecer bajo un tic verde. La verificación entera se descarga como fichero, y la traza une el modelo con los datos con que se preparó y con el entrenamiento al que pertenece.

Antes de entrenar, el modelo ya es un objeto que se puede verificar: el chequeo de tipos tipa la red y declara su nivel de interpretabilidad, y el número de parámetros se imprime para que puedas rehacer la cuenta tú mismo — una red 64 → 32 → 1 sobre tres entradas son 2.369 parámetros, y eso es lo que dice la pantalla. La estimación de recursos llega con cifras, no con adjetivos, y funciona en los dos sentidos: un modelo pequeño anuncia kilobytes, y al pedirle una red de 2.953.150.466 parámetros la respuesta fue que entrenarla pide ~26,8 GiB — la demo alojada la rechaza directamente, y el Studio descargable enseña el aviso con sus cifras y te deja decidir. Una herramienta que te dice la factura antes de comprometerte es la diferencia entre una estimación y una promesa.

El paquete autocontenido lleva el modelo en ONNX, un predict.py que lo carga y valida el esquema, el manifiesto con sus hashes y la ficha del modelo con sus métricas y sus límites. Le das valores crudos — sin MatrixAI instalado, sin servicio al que llamar. Y la paridad está medida, no supuesta: en la última auditoría, el modelo exportado, cargado con un ONNX runtime a secas, devolvió la misma respuesta que el Studio en las seis entradas de prueba — seis de seis.

El catálogo de plantillas incluye un caso construido sobre cinco años de historia diaria real de Santander (Open-Meteo): temperaturas, presión, humedad, viento, nubosidad, punto de rocío y la lluvia de hoy, con el objetivo construido desplazando la lluvia un día hacia atrás — cada fila predice mañana usando solo lo que se sabía ese día, nunca datos del futuro. La ficha lleva además, en rojo y antes de crear nada, el límite de sus datos: no permiten uso comercial. Al lado, un caso de altura de olas sobre cinco años de datos marinos horarios reales. Ese es el patrón en todas partes: para qué sirve algo y para qué no, impreso donde decides.

El ciclo completo, pantalla a pantalla, está en el manual de fases — capturado de una sesión conducida y honesto con sus números: su recorrido entrena sobre filas generadas y declara un resultado a nivel de azar como exactamente eso, porque enseñar que el producto declara un mal entrenamiento vale más que una captura más bonita. Y para un entrenamiento que cualquiera puede comprobar a mano, el tour recorre el caso de Celsius a Kelvin: la respuesta correcta está a una resta de distancia, el modelo llega a MAE 0.000 y R² 1.000, y predice 298,103 K para 25 °C — la respuesta exacta es 298,15.