Modelos que son tuyos, alineados con tus valores.
La mayoría de las organizaciones alquilan una IA genérica que no sabe nada de cómo trabajan y se ejecuta donde otro decide. Altilia te da, en cambio, toda la pila para construir una personal AI: ontologías para curar tus datos, conjuntos de datos construidos con generación de datos sintéticos y métodos de curación guiada por expertos, modelos de lenguaje pequeños y grandes entrenados con ellos, agentes reutilizables que pueblan esas ontologías incluso a partir de los documentos más complejos, y un sistema operativo para desplegarlos, gobernarlos y servirlos para tus necesidades más específicas.
Alineados con tus valores
La ontología define lo que un modelo puede afirmar, tus reglas y políticas acotan lo que un agente puede hacer, y la revisión humana se sitúa exactamente donde está tu riesgo. La alineación forma parte de la arquitectura, versionada y auditable.
Precisos con tus documentos
Un modelo de pocos miles de millones de parámetros entrenado sobre tu ontología iguala a un modelo de frontera en tu tarea, más rápido y más barato en cada llamada. La precisión se audita sobre tus archivos, no sobre un benchmark público.
En propiedad, soberanos, portables
Ontologías, conjuntos de datos, pesos y agentes son tuyos para conservarlos, versionarlos y servirlos, on-premise o en tu nube, tras un endpoint compatible con OpenAI. Sin dependencia del proveedor, por construcción.
De tu conocimiento a tu modelo, en cuatro pasos.
Cada paso es un producto que puedes usar por sí solo; juntos forman la pila de la personal AI.
Curar
Describe lo que importa como una ontología: entidades con una descripción semántica, extraídas de texto, imágenes o ambos, anidadas en ontologías hijas para jerarquías complejas. Las ontologías son declarativas, de modo que los expertos de dominio las construyen sin código o dejan que un agente redacte un borrador a partir de una muestra de documentos. Se serializan y versionan, de modo que cada conjunto de datos sigue siendo trazable hasta la definición que lo produjo.
Entrenar
Construye el conjunto de datos con generación de datos sintéticos bajo decodificación restringida, para que cada ejemplo respete la gramática de la ontología, y cúralo con tus expertos. Entrena con él un modelo de pocos miles de millones de parámetros o ajusta uno mayor. El modelo entrenado sigue siendo compatible con la ontología: sustituirlo es cambiar el model-id.
Construir
Compón en Python o YAML agentes que razonan, actúan y delegan en subagentes especializados, con herramientas integradas para archivos, comandos y búsqueda web. Los agentes pueblan las ontologías a partir de tus datos más complejos, objetos jerárquicos, tablas, escritura a mano, expedientes multidocumento, y transmiten su trabajo a tus interfaces token a token.
Desplegar
Los modelos y agentes se ejecutan dentro del Altilia OS en tu infraestructura, con gobernanza zero-trust, permisos y registros de decisiones, expuestos mediante endpoints compatibles con OpenAI, API y servidores MCP. Interoperan y se federan con las plataformas de IA que ya utilizas, y sirven a las necesidades más específicas de tu organización.
Dos SDK. Una sola forma de trabajar.
Altilia Model Trainer convierte documentos en conjuntos de datos con la forma de la ontología y en modelos entrenados. El Altilia Agents SDK convierte modelos en agentes que hacen el trabajo.
SDK de extracción estructurada y entrenamiento de modelos
- Nativo en texto, imágenes o ambos: un fragmento de texto o un bounding box como salida, acorde con la entrada.
- Ontologías recursivas y componibles: entidades con descripciones semánticas y ontologías hijas para jerarquías complejas.
- Decodificación restringida con XGrammar: salidas que no pueden violar la sintaxis de la ontología.
- Ejemplos few-shot tipados y muestreados en tiempo de ejecución, para que el in-context learning vea siempre casos informativos y bien formados.
- Generación automática de conjuntos de datos a partir de un modelo de frontera, listos para entrenar modelos de pocos miles de millones de parámetros.
- Multitarea en un solo paso: entidades, clasificación y generación a partir de una única ontología.
- La misma lógica para la extracción interactiva y por lotes.
- Ontologías serializables, versionadas y construibles por usuarios no técnicos.
- Compatible con OpenAI: funciona con cualquier modelo tras un endpoint compatible con OpenAI, de cualquier proveedor.
# Altilia Model Trainer: a recursive ontology, declarative, versioned description: Court-appointed technical appraisal (CTU) entities: - name: property_address description: Full address of the appraised property modality: text - name: cadastral_id description: Sheet, parcel and sub-unit as printed modality: text+image output: bbox - name: market_value description: Value estimated by the expert, in EUR modality: text children: - encumbrances: entities: [creditor, rank, amount, registration_date] decoding: constrained # XGrammar, output cannot break the schema
Agentes y sistemas multiagente
- Framework en Python construido sobre LangGraph: un único agente o un sistema de agentes que colaboran, definidos en código o en YAML.
- Un ciclo de razonamiento y acción: el modelo piensa, elige una herramienta, la ejecuta y repite hasta obtener una respuesta.
- Razonamiento como herramienta dedicada, nativo cuando el modelo lo admite (Gemini, GPT-5), o ambos a la vez.
- Subagentes que trabajan de forma autónoma y devuelven su resultado al agente principal.
- Sistemas multiagente completos orquestados desde YAML, con espacios de trabajo y sesiones gestionados automáticamente.
- Un flujo de eventos para chatbots e interfaces: tokens generados y acciones de las herramientas en tiempo real, subagentes incluidos.
- Compresión automática del contexto de las salidas pesadas de las herramientas (archivos, JSON, logs) más resumen de la conversación, sin un modelo adicional.
- Hooks que añaden lógica a momentos del ciclo de vida sin tocar el código del agente.
- Herramientas listas para usar: gestión de archivos, ejecución de comandos, búsqueda web.
- Funciona con cualquier modelo compatible con LangChain, incluidos Google Gemini y OpenAI.
# Altilia Agents SDK, LangGraph under the hood agent: npl_case_reviewer model: altilia/ctu-slm-3b # trained on court_appraisal v3 tools: [read_file, search_graph, run_command, web_search] sub_agents: - cadastral_reconciler - valuation_summariser context: compress_tool_outputs: true summarize_after_turns: 12 hooks: on_start: load_case_context after_run: write_decision_log events: stream # tokens + tool actions to the UI
Entrenados con una metodología ética, en una pipeline que tú controlas.
Los conjuntos de datos se generan automáticamente y los certifican expertos humanos antes de que cambie un solo peso. El entrenamiento es una pipeline personalizable de ajuste fino supervisado, adaptación LoRA, optimización de preferencias y aprendizaje por refuerzo con retroalimentación humana, ejecutada en tu infraestructura y documentada en una model card.
Datos sintéticos
Un modelo de frontera, con decodificación restringida, produce ejemplos perfectamente estructurados a partir de tus documentos y tu ontología, a la escala que tu tarea necesita.
Curación y certificación de expertos
Tus expertos de dominio revisan las muestras en el espacio de revisión y certifican dos cosas: que el comportamiento es correcto y que cumple las reglas éticas de tu dominio y de tu organización.
SFT
El ajuste fino supervisado enseña al modelo el formato, el vocabulario y las decisiones de tu proceso a partir del conjunto de datos certificado.
LoRA
Los adaptadores de bajo rango especializan a bajo coste modelos pequeños y grandes, un adaptador por ontología o proceso, intercambiables sin reentrenar el modelo base.
DPO
La optimización directa de preferencias alinea el modelo con las decisiones que prefieren tus expertos, incluidos rechazos y escalados, usando sus juicios certificados.
RLHF y evaluación
El aprendizaje por refuerzo con retroalimentación humana cierra el ciclo con las correcciones procedentes de producción; cada versión se evalúa sobre tu conjunto gold-standard y se publica con una model card.
Corrección del comportamiento
Los expertos certifican que el modelo produce la salida correcta en las muestras gold-standard: las entidades correctas, la clasificación correcta, la abstención correcta cuando falta la evidencia.
Cumplimiento ético
Los expertos certifican que las muestras respetan las reglas del dominio y de la organización: no discriminación, confidencialidad, restricciones regulatorias, los valores acordados en los talleres de alineación.
Procedencia y transparencia
Cada par de entrenamiento es trazable hasta una versión de la ontología y un documento fuente; cada versión del modelo se publica con una model card que describe datos, método, evaluación y límites conocidos.
Cómo es un modelo personal: tasaciones judiciales para NPL garantizados.
Un ejemplo del catálogo, paso a paso.
- CurarLos analistas describen la tasación como una ontología: inmueble, identificadores catastrales, valoración, cargas, cada uno con una descripción semántica y una modalidad (texto o bounding box).
- EntrenarUn modelo de frontera lee una muestra con decodificación restringida; los pares entrada–salida estructurados, curados por los analistas del servicer, se convierten en el conjunto de entrenamiento de un modelo de pocos miles de millones de parámetros dedicado a esta ontología, servido en la propia infraestructura del servicer.
- ConstruirUn agente de revisión de casos delega en un conciliador catastral y un resumidor de valoraciones, puebla el grafo de conocimiento y transmite su razonamiento a la cola del revisor.
- DesplegarEl SO impone quién puede ejecutar el agente y sobre qué archivos, registra cada decisión con su página de origen y expone el modelo a los demás sistemas del servicer.
Gobernable con un enfoque zero-trust. Abierta por diseño.
Cada agente opera con permisos de mínimo privilegio y deja un registro de decisiones. Cada modelo, ontología y agente sigue siendo tuyo, y el SO se federa con las plataformas de IA que ya utilizas.
Ningún agente es de confianza por defecto
Cada agente está identificado, acotado a los datos, herramientas y sistemas que su proceso necesita y autorizado en cada llamada. Los permisos, las versiones de los modelos y los puntos de revisión humana los impone el SO, y cada decisión se registra con sus fuentes para la auditoría.
Interfaces estándar de entrada y de salida
Los modelos se sirven tras endpoints compatibles con OpenAI, los agentes funcionan con cualquier modelo compatible con LangChain, y los conectores, las API REST y los servidores MCP conectan el SO con CRM, ERP, ECM y sistemas centrales en ambas direcciones.
Convive con las plataformas que ya tienes
El SO se federa con plataformas de IA de hyperscalers, de código abierto e internas: enruta una tarea a sus modelos, expone los agentes de Altilia a sus orquestadores, comparte el grafo de conocimiento bajo tus permisos. Ontologías, conjuntos de datos, pesos y agentes siguen siendo tu propiedad intelectual y se van contigo.