Investigaciones en curso

Toward a Data-Centric Trust Pipeline for Trustworthy AI. Investiga cómo la integridad, el sesgo, la generación de datos sintéticos y la procedencia forman un ecosistema interdependiente para construir una IA confiable.

Objetivo

Proponer el Data-Centric Trust Pipeline como modelo unificado para elevar la transparencia, la interpretabilidad y la rendición de cuentas a lo largo del ciclo de vida de los datos.

Líneas de problemas

• Problema. ¿Cómo asegurar consistencia, contextualización y completitud cuando los datasets carecen de metadatos y estandarización?
  Justificación. Los fallos de integridad comprometen la reproducibilidad y la auditabilidad, amplificando errores aguas abajo.
• Problema. ¿Qué enfoques mitigan disparidades entre grupos demográficos cuando las métricas de equidad son incompletas?
  Justificación. Los estudios muestran variaciones de 20–35% de error entre grupos: la equidad exige tratamiento continuo.
• Problema. ¿Cómo validar la autenticidad y los límites de uso de datos sintéticos, que pueden reproducir sesgos estructurales?
  Justificación. Sin trazabilidad, los datos sintéticos distorsionan la interpretación en análisis sensibles.
• Problema. ¿Cómo evolucionan los sistemas de procedencia de repositorios pasivos a registros interpretativos de decisiones?
  Justificación. La procedencia es esencial para la explicabilidad y la auditoría en pipelines de IA.

Refs.: Schwabe et al. (2024) · Buolamwini & Gebru (2018) · Hameed et al. (2024) · Ahmed et al. (2023) · Longpre et al. (2024).

An Architecture-Aware Conceptual Framework for Cloud Capacity Planning. Integra características arquitectónicas, semántica de cargas de trabajo y objetivos operativos (SLO, PLO, RLO) en un modelo conceptual unificado.

Objetivo

Proponer C2PF como un marco consciente de la arquitectura capaz de producir decisiones de capacidad proactivas, explicables y repetibles.

Líneas de problemas

• Problema. ¿Cómo superar los modelos reactivos basados solo en métricas históricas, que no capturan variación y concurrencia?
  Justificación. La ausencia de contexto arquitectónico lleva a previsiones imprecisas y sobreaprovisionamiento.
• Problema. ¿Cómo combinar componentes arquitectónicos, clasificación de cargas de trabajo y objetivos de rendimiento?
  Justificación. Existen brechas semánticas y cognitivas entre arquitectos, operadores y planificadores.
• Problema. ¿Cómo cuantificar los efectos de los patrones (microservicios, event-driven, serverless) en el consumo de capacidad?
  Justificación. Los factores arquitectónicos pueden añadir hasta un 30% de sobrecarga, alterando escalabilidad y latencia.

Refs.: Pereira (2023, 2025) · Richards & Ford (2020) · Lichtenthäler et al. (2023) · Gunther (2010).

Capital Intensity, Market Dynamics, and Competitive Differentiation Across the Value Chain. Analiza cómo las capas — semiconductores, nube, modelos, inferencia, plataformas y aplicaciones — organizan la competencia, la inversión y la captura de valor.

Objetivo

Proponer un modelo conceptual de la cadena de valor de la IA generativa y evaluar hipótesis sobre intensidad de capital, concentración de infraestructura, difusión de capacidades e impactos de productividad.

Líneas de problemas

• Estructura económica e intensidad de capital — cómo la distribución de capital entre capas moldea la competencia.
• Concentración de infraestructura — hasta qué punto la oferta presenta concentración estructural.
• Difusión de capacidades — con qué velocidad se difunden las capacidades de frontera.
• Barreras de entrada en aplicaciones — cómo las APIs y plataformas influyen en el desarrollo.
• Impactos de productividad — evidencia de ganancias en el trabajo del conocimiento.

Refs.: LeCun, Bengio & Hinton (2015) · Kaplan et al. (2020) · Hoffmann et al. (2022) · Brynjolfsson, Li & Raymond (2023).

Una revisión sistemática de la literatura. Analiza críticamente algoritmos de programación optimizados para Kubernetes, con foco en aplicabilidad, beneficios y desafíos en computación general, IA y edge.

Líneas de problemas

• Problema. ¿Cómo se comportan los algoritmos optimizados en producción frente a las pruebas experimentales de la literatura?
  Justificación. La mayoría de los estudios ocurre en entornos controlados; hay una brecha sobre la aplicabilidad práctica.
• Problema. ¿Cómo mejoran los algoritmos multicriterio la asignación en clústeres heterogéneos (CPU/GPU, edge/cloud)?
  Justificación. La eficacia combinada de latencia, GPU y energía aún es incierta.
• Problema. ¿Qué modelos de ML son más eficaces para prever la demanda y adaptar la programación?
  Justificación. Faltan comparaciones sistemáticas de QoS y coste-beneficio.

Refs.: Ahmed et al. (2021) · Harichane et al. (2022) · Carvalho & Macedo (2023) · Menouer (2021).