La mayoría de los sistemas de agentes dejan que el modelo de lenguaje razone y le piden que confíe en el resultado. SynaLemma confía ese trabajo a un motor lógico. El modelo escribe una regla, y el motor la verifica, calcula la respuesta en su propia base de datos y le muestra cada paso.
Creado por SynaLinks, un equipo de ingenieros de IA formados en el CNRS que ha escrito cada capa, del motor lógico al agente.
¿Qué bicicletas terminadas se detienen si falla Shenzhen VoltPack?
Las cuatro: Urban S1, Cargo C2, Trekking T3 y Folding F1. Cada una necesita uno de los dos packs de baterías, y ambos packs llevan la placa de gestión y la carcasa que suministra VoltPack.
## Los conjuntos que se detienen si falla un proveedor,
## en todos los niveles de la lista de materiales.
@OrderBy(SupplierExposure, "supplier_id", "assembly_id");
SupplierExposure(supplier_id:, assembly_id:) distinct :-
Supplies(supplier_id:, part_id: component),
Requires(assembly_id:, component_id: component);
Tomemos una pregunta sencilla: ¿cuánto stock disponible hay de un componente? Cada agente escribe un SQL válido y devuelve una cifra distinta, porque cada uno ha tenido que adivinar qué significa «disponible». ¿Cuenta el stock reservado? ¿Y los pedidos en curso? ¿Qué planta, y en qué fecha? Su fábrica resolvió esas cuestiones hace años, pero el agente no tiene acceso a esas respuestas.
Nada falla de forma visible. El agente da su cifra con total seguridad, alguien toma una decisión basándose en ella y nadie puede reconstruir cómo se calculó. Es el principal motivo por el que los proyectos de IA se estancan entre la demo y la producción. Un modelo más grande tiene el mismo problema, porque adivina las mismas definiciones.
| Agente | Decide que el stock disponible es… | Respuesta |
|---|---|---|
| Primero | lo que hay en almacén | 1.240 |
| Segundo | lo que hay en almacén, menos lo reservado para órdenes de fabricación | 870 |
| Tercero | lo que hay en almacén menos lo reservado, más los pedidos de compra aún no recibidos | 2.070 |
Los agentes necesitan sus definiciones, escritas una sola vez de forma que una máquina esté obligada a aplicarlas y una persona pueda revisarlas. SynaLemma construye esa capa y la mantiene al día.
Cuando un agente «explica su razonamiento», usted lee un texto que el modelo ha generado a posteriori. Ese texto no es un registro de cómo se calculó la respuesta, así que auditarlo aporta muy poca información. En SynaLemma, el modelo traduce su pregunta a una regla, y un motor lógico calcula la respuesta a partir de esa regla en pasos que usted puede reproducir.
Cada regla se ejecuta sobre sus tablas reales antes de que la asistente responda.
La respuesta cita las filas que devolvió la ejecución, de modo que nada sale de la memoria del modelo. SynaLemma funciona en sus servidores con el modelo que usted elija, y la asistente se limita a lo que permite el rol de la persona que pregunta.
El motor lógico realiza cada inferencia, y cada una puede volver a ejecutarse.
Cada respuesta cita sus reglas, hasta la fila de la que procede una cifra. Su equipo puede abrir una regla, leerla, volver a ejecutarla, modificarla o bloquearla. Las reglas son archivos en un repositorio git, así que cada cambio es un commit que registra quién lo hizo (una persona o la asistente), qué cambió y cuándo.
El primer y único sistema de IA que escribe sus propias reglas, las verifica formalmente y contrasta sus resultados con enunciados matemáticos.
Cada regla pasa por un verificador formal antes de que exista una sola línea de SQL, y más de quince clases de error se rechazan indicando el motivo. Después, usted enuncia lo que un resultado debe cumplir siempre, en lógica de primer orden, y el motor busca contraejemplos en sus datos. Cuando una regla cambia, todo lo que se apoya en ella queda señalado hasta que se vuelva a ejecutar. Si cambia de modelo, las reglas siguen igual.
Sin ETL, sin un segundo almacén de datos y sin base de datos de grafos que comprar.
Las reglas se compilan a SQL y se ejecutan en la base de datos que ya tiene, sobre tablas que conservan sus nombres reales, de modo que los sistemas heredados quedan cubiertos sin proyecto de migración. Una definición se elabora una vez y después se reutiliza, lo que ahorra los tokens que un modelo gastaría en volver a elaborarla. SynaLemma también funciona con modelos abiertos en su propio hardware.
Cada respuesta enlaza con una definición como esta. Es lo bastante breve para que la lea la persona responsable de la cifra, y lo bastante precisa para que una máquina la verifique.
---
name: SupplierDeliveries
description: Purchase orders per supplier, and how many were late.
keywords: [supplier, delivery, late, on time]
---
import tables.PurchaseOrders.PurchaseOrders;
@Assert(SupplierDeliveries,
one_row_per_supplier: "∀ s a b c d, SupplierDeliveries s a b → SupplierDeliveries s c d → a = c",
late_within_total: "∀ s a b, SupplierDeliveries s a b → b ≤ a");
@OrderBy(SupplierDeliveries, "supplier_id");
SupplierDeliveries(supplier_id:, deliveries? += 1, late? += is_late) distinct :-
PurchaseOrders(supplier_id:, is_late:);
Una definición de una capa industrial. Los enunciados se escriben en la notación del demostrador de teoremas Lean y se contrastan con sus datos. Un enunciado se cumple cuando la búsqueda de un contraejemplo no devuelve nada. Se trata de una comprobación sobre los datos de los que dispone, y no demuestra nada sobre datos que el sistema no ha visto.
Conecte SynaLemma a la base de datos que ya utiliza (PostgreSQL, BigQuery, Databricks, Trino, Presto, DuckDB, SQLite) o cargue sus archivos (CSV, Excel, JSON, JSONL, Parquet). Las bases de datos se consultan en su lugar: las tablas conservan sus nombres reales y no se migra nada.
Lemma, la asistente, busca primero una definición que ya exista. Si no la hay, escribe una regla nueva, la verifica y la ejecuta sobre sus datos. Solo entonces responde, y cita la regla.
La regla se guarda con un nombre y una descripción. La siguiente pregunta se apoya en ella, y su equipo puede revisarla, corregirla o bloquearla.
Hemos comprobado que la herramienta por sí sola no basta, sobre todo en empresas sin experiencia interna en IA. Por eso, uno o varios ingenieros dedicados del equipo que desarrolla SynaLemma, según el tamaño de su proyecto, trabajan junto a su equipo con un papel definido dentro de la plataforma.
La mayoría de los productos de IA combinan el modelo de un tercero con el framework de otro. Nosotros hemos escrito el framework sobre el que funciona el agente, el motor lógico que verifica sus reglas, el formato que almacena el conocimiento y el producto que reúne los tres. Pocos equipos han construido todas las capas entre la base de datos y el modelo. Como nosotros lo hemos hecho, las piezas están diseñadas para encajar entre sí, y podemos explicarle con precisión qué hace el sistema y dónde están sus límites.
El producto que utiliza su equipo. Ejecuta los tres motores sobre sus datos y añade la asistente, el editor de reglas, el grafo de dependencias, los roles, y Slack o Teams. Un producto comercial, con licencia de pago, desplegado en su infraestructura.
Descubrir SynaLemmaEl framework con el que está construida la asistente. Ajusta las salidas a un esquema, da a los agentes herramientas y un sandbox integrado, y optimiza las instrucciones en función de resultados medidos sin tocar los pesos del modelo. Desarrollado bajo la supervisión de François Chollet, autor de Keras. Open source, Apache-2.0.
Ver en GitHubUn lenguaje lógico con verificador formal, escrito en Rust y compilado a siete dialectos de SQL. Lo que un resultado debe cumplir se enuncia como una proposición de Lean, la notación del demostrador de teoremas Lean, y se contrasta con sus datos. Open source, Apache-2.0.
Ver en GitHubEl formato en el que se guardan sus definiciones, con un archivo legible por concepto o regla en un repositorio git. El historial de su razonamiento se revisa y se audita como código, y una capa se instala desde un repositorio git. Open source, Apache-2.0.
Ver en GitHubEl modelo traduce y el motor lógico razona. Esa separación es lo que hace auditable el razonamiento y sustituible el modelo.
Ver los motores open sourceCuando una cifra errónea puede provocar una parada de producción o una auditoría fallida, necesita saber de dónde sale cada número.
Equipos de cadena de suministro, compras, producción y calidad. Listas de materiales, stock, entregas con retraso y defectos tienen cada uno una sola definición, compartida por planificadores, compradores y los agentes que les asisten.
Salud, aeroespacial, energía, finanzas. Cada cifra se remonta a una regla y a las tablas que leyó, que es lo que pide ver un auditor.
La demo funcionó, pero nadie quiso darle el visto bueno. SynaLemma ofrece a quienes deben aprobarlo algo que pueden leer y comprobar.
La demo dura treinta minutos y es gratuita. Traiga una pregunta en la que sus equipos no se ponen de acuerdo, y le mostraremos la respuesta de SynaLemma y la regla que ha utilizado. Si encaja, el siguiente paso es un diagnóstico de preparación, y después ingenieros dedicados trabajan con su equipo.
