HeyDonto lanza DFT Labs para IA basada en física

⏱ Tiempo de lectura: 3 min

HeyDonto AI Technology anunció el establecimiento de DFT Labs, una subsidiaria de investigación dedicada a desarrollar un marco de aprendizaje automático basado en física. El lanzamiento sigue a la publicación de un artículo revisado por pares en Frontiers in Big Data titulado "Data Field Theory: A Geometric Framework for Learning on Riemannian Manifolds with Synthetic Validation and Limitation Analysis", escrito por Reza Nehzati, fundador y oficial científico jefe de DFT Labs.

El marco de aprendizaje basado en física de DFT Labs

La propuesta central de DFT Labs plantea que la inteligencia puede formularse como un marco matemático en el que el aprendizaje se representa mediante un campo continuo en una variedad de Riemann, conceptos tomados de la física para describir campos como superficies geométricas curvas. "Estamos enfocados en entender la relación entre todos los puntos de datos, y creemos que es donde forma una especie de inteligencia", explicó Rivers Morrell, director ejecutivo, a SiliconANGLE. El enfoque busca capturar inteligencia que emerge de las relaciones entre datos, no de los datos individuales. El marco representa un cambio conceptual en cómo se entiende el aprendizaje automático desde la perspectiva matemática.

Resultados iniciales y desafíos con datos reales

El artículo reporta que el marco matemático subyacente logró 89.2% de precisión en datos clasificados usando un modelo de variedad, superando métodos comparativos. Sin embargo, cuando los investigadores aplicaron DFT a dígitos MNIST (imágenes en escala de grises de números manuscritos), la precisión cayó dramáticamente a 15.7%, apenas superior al 10% esperado del azar. En contraste, el método nearest-neighbor alcanzó 51.7%. Estos resultados sugieren que DFT funciona bien con datos sintéticos diseñados alrededor de sus supuestos geométricos, pero enfrenta dificultades con datos del mundo real cuya geometría subyacente no se conoce de antemano. El artículo identifica como próximo paso crítico que DFT pueda descubrir o aprender la geometría apropiada directamente de un conjunto de datos. Fuente: siliconangle.com

Aplicaciones ya en producción

HeyDonto ha integrado aprendizajes de DFT Labs en su plataforma de inteligencia semántica compartida Axiomera, usada para convertir datos empresariales fragmentados en información harmonizada lista para IA. La misma tecnología alimenta Conduit, su aplicación de interoperabilidad dental y médica, y Quantara, una aplicación de inteligencia clínica para investigación oncológica. Quantara estructura información de patología, imagenología y molecular para uso clínico. Los ejecutivos señalaron potencial para aplicaciones administrativas y farmacéuticas, incluyendo gestión de inventario, análisis de reembolsos y harmonización de datos entre instituciones de investigación.

Qué se puede esperar ahora

HeyDonto prevé que en aproximadamente 12 meses lanzará benchmarks de competencias industriales y académicas para demostrar aplicación práctica de su investigación. El CEO Morrell expresó intención de construir DFT Labs en aplicaciones robustas que transformen cómo funcionan las arquitecturas de modelos de lenguaje grandes. La empresa se propone competir contra desarrolladores de modelos de gran escala como Anthropic, usando benchmarks académicos como prueba inicial de que el modelo de datos y arquitectura potencial pueden resistir rigor del mundo real.

Dato	Detalle
Empresa responsable	HeyDonto AI Technology (subsidiaria: DFT Labs)
Fundador y oficial científico jefe de DFT Labs	Reza Nehzati
Director ejecutivo	Rivers Morrell
Artículo publicado	Data Field Theory: A Geometric Framework for Learning on Riemannian Manifolds with Synthetic Validation and Limitation Analysis
Revista académica	Frontiers in Big Data
Precisión en datos sintéticos	89.2% (en modelo de variedad)
Precisión en dígitos MNIST	15.7% (DFT) vs 51.7% (nearest-neighbor)
Plataforma principal de producción	Axiomera (inteligencia semántica compartida)
Aplicaciones en producción	Conduit (interoperabilidad dental/médica), Quantara (inteligencia clínica oncológica)
Próxima demostración	Benchmarks académicos e industriales en ~12 meses
Objetivo estratégico	Competir contra desarrolladores como Anthropic en modelos de lenguaje

Preguntas frecuentes sobre DFT Labs

¿Qué es Data Field Theory y cómo funciona?

DFT es un marco matemático que representa el aprendizaje como un campo continuo en una variedad de Riemann, tomando herramientas de la física para describir datos como superficies geométricas curvas. La idea es que la inteligencia emerge de las relaciones entre puntos de datos, no de los datos individuales.

¿Por qué DFT falló con dígitos MNIST?

El marco alcanzó solo 15.7% de precisión en MNIST porque estos datos reales no se alinean con los supuestos geométricos de DFT diseñados para datos sintéticos. El siguiente desafío es que DFT aprenda a descubrir la geometría correcta directamente desde cualquier conjunto de datos.

¿Cuándo estará disponible DFT Labs para el público?

No se especifica una fecha exacta de lanzamiento público. HeyDonto planea publicar benchmarks académicos e industriales en aproximadamente 12 meses para demostrar aplicación práctica real del marco.

¿Cómo se relaciona DFT con los productos actuales de HeyDonto?

HeyDonto ya integra resultados de investigación de DFT Labs en Axiomera, su plataforma de inteligencia semántica, que alimenta Conduit (interoperabilidad médica) y Quantara (investigación oncológica clínica).

El punto clave para la comunidad tech

HeyDonto afronta un desafío fundamental: demostrar que un marco matemático elegante diseñado para datos sintéticos puede generalizar a problemas reales y complejos. Los resultados iniciales muestran promesa en espacios controlados, pero fracaso relativo en benchmarks estándar como MNIST señala que el camino hacia aplicaciones competitivas sigue siendo exigente.

En Inteligencia Artificial, esta investigación representa un enfoque alternativo genuino al aprendizaje automático convencional, aunque aún requiere validación rigurosa en escenarios del mundo real. ¿Logrará HeyDonto convertir elegancia matemática en ventaja práctica mensurable?