IA eficiente, abierta y soberana.
Milmoh AI Lab es el área de investigación en inteligencia artificial de Milmoh. Estudiamos cómo comprimir, optimizar, alinear y desplegar modelos de lenguaje sin renunciar a su capacidad, y cómo hacerlo sobre infraestructura europea.
La escala no es la única dirección
Durante los últimos años, el progreso en inteligencia artificial se ha medido sobre todo en escala: más parámetros, más datos, más cómputo. Ese camino ha producido sistemas muy capaces. También ha concentrado su desarrollo en pocas organizaciones y ha elevado el coste de utilizarlos.
Creemos que hay otra dirección igual de importante: entender cuánta de esa capacidad puede conservarse en modelos más pequeños, más baratos de ejecutar y desplegables allí donde cada organización decida; además de alineados con los valores morales y éticos de la sociedad europea.
Milmoh AI Lab existe para trabajar en esa pregunta, con rigor algorítmico, y desde Europa.
Más capacidad con menos cómputo.
Modelos y datos bajo control y alineamiento europeo.
Lo que no se mide, no puede ser entendido como verdad.
Áreas de investigación
Cinco áreas, una misma pregunta de fondo: cómo obtener la mayor capacidad posible con los menores recursos y el mayor control.
IA soberana y modelos abiertos
¿Qué hace falta para que una organización europea pueda operar sus propios modelos?
Trabajamos con modelos de pesos abiertos, que pueden inspeccionarse, adaptarse y ejecutarse en infraestructura propia o en nubes europeas. Estudiamos cómo seleccionarlos, ajustarlos y desplegarlos manteniendo el control sobre los datos y cumpliendo desde el diseño con el RGPD y el Reglamento Europeo de IA.
Destilación y compresión de modelos
¿Cuánto del conocimiento de un modelo grande puede trasladarse a uno pequeño?
La destilación entrena un modelo compacto para reproducir el comportamiento de otro mucho mayor en tareas concretas. Investigamos cómo combinarla con cuantización y poda para obtener modelos especializados que conserven la calidad relevante con una fracción de la memoria, la latencia y el coste.
Optimización del entrenamiento y la inferencia
¿Dónde se pierde la eficiencia al entrenar y ejecutar un modelo?
Analizamos los motores de entrenamiento, los métodos de ajuste fino y la ejecución en producción para identificar dónde se consumen el cómputo y la energía, y cómo reducirlos sin degradar el resultado.
IA agéntica
¿Cómo se construyen agentes fiables sobre modelos abiertos y eficientes?
Los agentes planifican, usan herramientas y completan tareas de varios pasos. Estudiamos qué los hace fiables y supervisables, y en qué medida pueden funcionar sobre modelos pequeños y no solo sobre los más grandes.
Evaluación y fiabilidad
¿Cómo sabemos si un modelo funciona en la tarea que importa?
Las métricas generales no siempre predicen el rendimiento en un caso real. Desarrollamos métodos de evaluación rigurosos, con especial atención al español, como uno de los idiomas en Europa, y a contextos profesionales, para que las decisiones sobre modelos se basen en evidencia.
¿Trabajas en alguna de estas preguntas o te interesa aplicarlas?
Propón una colaboración →Nuestro enfoque
Cuatro principios orientan el trabajo del lab.
Abierto por defecto
Partimos de modelos y herramientas abiertas siempre que es posible. Lo que puede inspeccionarse puede entenderse, y lo que puede entenderse puede mejorarse.
La eficiencia como métrica
Un modelo no se evalúa solo por lo que hace, sino por lo que cuesta hacerlo: cómputo, energía, memoria y tiempo de respuesta.
Rigor estadístico
Venimos de la estadística y la investigación operativa, y aplicamos a la inteligencia artificial la misma exigencia: hipótesis claras, mediciones reproducibles y conclusiones prudentes.
Desde Europa
Trabajamos dentro del marco europeo de protección de datos y regulación de la IA, y lo entendemos como un punto de partida, no como un obstáculo. Adicionalmente, entendemos que los valores europeos de democracia y sociedad son condiciones innegociables que deben estar presentes en las respuestas y el razonamiento de los modelos de IA.
Colaboramos con universidades, centros de investigación y organizaciones que prefieren medir antes de decidir.
EscríbenosInvestigadores principales
Juan Aparicio
Catedrático de Estadística e Investigación Operativa en la Universidad Miguel Hernández de Elche (UMH) y director del Instituto Universitario de Investigación en Matemáticas, Ciencia de Datos e Inteligencia Artificial (i-MInD). Su investigación se centra en el análisis de eficiencia y productividad; es codesarrollador de Efficiency Analysis Trees, una metodología que une aprendizaje automático y medición de eficiencia. En 2023 figuró entre los 25 investigadores españoles más citados en Estadística y Optimización. Lidera actualmente una línea de investigación en el desarrollo de soluciones basadas en grandes modelos de lenguaje.
Xavier Barber
Catedrático de Estadística e Investigación Operativa en la UMH, donde trabaja desde 2003, y miembro del i-MInD. Doctor por la UMH, su investigación se centra en la estadística bayesiana y los modelos espacio-temporales y longitudinales, con más de un centenar de publicaciones científicas. Ha sido vicerrector adjunto de Investigación de la UMH, ha desarrollado el sistema VioGen 2 para la predicción de la violencia de género junto con el Ministerio del Interior en España y ha participado en proyectos financiados por la Comisión Europea.
Hablemos de investigación
Para colaboraciones de investigación, consultas académicas o proyectos conjuntos con el lab, escríbenos. Respondemos a cada mensaje.
La inteligencia artificial no tiene por qué ser más grande para ser mejor.
