MetsuOS

Construyendo la plena inclusión a través del videojuego

Blog - Sobre el sistema de validacion de contenido de MetsuOS - 2025-06-01 🔴②

El Barco en la caja que todos compartimos

Index

Introducción

Inspirado por el trabajo de @dvargaspardo 🌐 y el documental en preparación que anunció en el canal de @tbrazil_speccy 🌐. he decidido compartir con el público generalista los fundamentos del sistema de validación de contenido de mi proyecto, MetsuOS. Este sistema, representado por las icónicas "pelotillas de colores" (⚫🔴🟡🟢🔵⚪ (🔴②)), no solo se aplica al desarrollo de videojuegos, sino que aborda una problemática más amplia: la gestión del conocimiento en un mundo saturado de información no necesariamente fidedigna.

La problemática: deuda técnica y validación del conocimiento

A lo largo de mi experiencia como programador, emprendedor y redactando documentación técnica he identificado un problema recurrente: la deuda técnica. Este término, comúnmente asociado al desarrollo de software, se refiere a la acumulación de soluciones temporales que se posponen para "arreglar más tarde", pero que raramente se resuelven. Sin embargo, esta deuda no es exclusiva del ámbito tecnológico; se manifiesta en múltiples disciplinas, incluida la ciencia.

En el ámbito científico, la "deuda técnica" se traduce en la dificultad para verificar la validez de un volumen creciente de publicaciones académicas. La proliferación de artículos de dudosa calidad, a menudo impulsada por intereses económicos o académicos, dificulta la identificación de investigaciones fiables. Además, cuando surge nueva evidencia, no existe un sistema eficiente para "recalcular" el conocimiento acumulado, lo que frena el avance científico. Esta problemática me llevó a replantear la metodología para gestionar y validar el conocimiento.

El sistema de MetsuOS: un enfoque híbrido

Inicialmente, mi intención fue crear un sistema manual basado en una álgebra de la certeza, donde nuevas evidencias recalcularan los porcentajes de fiabilidad de los razonamientos previos. Este enfoque, inspirado en sistemas expertos, pretendía servir como base para avanzar en inteligencia artificial (IA). Sin embargo, el auge de los modelos de lenguaje de gran escala (LLM, por sus siglas en inglés), como los que ofrecen capacidades de autocompletado avanzado, me obligó a replantear la estrategia.

En lugar de construir el sistema desde cero, opté por integrar los LLM con el trabajo humano en un proceso por fases, representado por las "pelotillas de colores":

  1. Fase inicial: Utilizo varios modelos de IA, como los de Google o ChatGPT, para generar una base de conocimiento sobre un tema. Cruzo los textos generados por diferentes modelos para identificar inconsistencias y refinar el contenido. En esta etapa, se recopilan fuentes bibliográficas iniciales.
  2. Curación humana: Leo libros, consulto fuentes primarias y verifico la validez de las referencias. Este paso asegura que el contenido sea preciso y esté correctamente referenciado.
  3. Validación científica: Desarrollo procesos para validar el contenido con rigor académico, aunque esta fase aún está en construcción.
  4. Automatización: Implemento automatizaciones (bajo el paraguas de #MetsuOS) para afinar el conocimiento y prepararlo para su uso en sistemas híbridos.
  5. Entrenamiento híbrido: Combino LLMs con sistemas expertos para entrenar modelos que actúen como coprocesadores controlados por humanos, no como sustitutos.
  6. Aplicaciones prácticas: Aplico este conocimiento validado al desarrollo de videojuegos y otras áreas, siempre bajo supervisión humana.

Este enfoque híbrido busca aprovechar lo mejor de ambos mundos: la capacidad de procesamiento de los LLMs y el juicio crítico humano, minimizando las invenciones o "alucinaciones" de los modelos automáticos.

PublicBrain y el repositorio GIT

El sistema de validación de contenido está integrado en la sección PublicBrain de mi proyecto, que cuenta con un repositorio GIT paralelo. Este repositorio permite gestionar y automatizar el conocimiento, facilitando su actualización y reprocesamiento en función de nuevas evidencias. El objetivo final es crear una base de conocimiento universal y dinámica que sirva para entrenar sistemas híbridos entre LLMs y sistemas expertos, aplicables a campos como el desarrollo de videojuegos, la investigación científica o la toma de decisiones estratégicas.

Por qué no confiar únicamente en los LLMs

Existen razones geoestratégicas y prácticas que me llevan a no depender exclusivamente de los LLMs. Por un lado, la falta de control sobre los datos y los algoritmos de terceros plantea riesgos para la privacidad y la seguridad. Por otro, los LLMs, aunque potentes, no son infalibles y requieren supervisión humana para garantizar la fiabilidad del conocimiento generado. Mi enfoque, inspirado en la filosofía de Adama en Battlestar Galactica —quien evitaba las redes globales para proteger a la humanidad—, prioriza el control humano sobre la tecnología.

Conclusión

El sistema de validación de contenido de MetsuOS es un intento de abordar la deuda técnica y la saturación de información en la era de los LLMs. Al combinar la potencia de la IA con la curación humana, busco crear una base de conocimiento dinámica y fiable que apoye a los humanos como un coprocesador, no como un reemplazo. Este enfoque, aunque aún en desarrollo, tiene el potencial de transformar la forma en que gestionamos el conocimiento en disciplinas tan diversas como la ciencia, los videojuegos y los negocios.

Referencias bibliográficas

Fuentes que apoyan el enfoque

  1. Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

  2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

    • Explica las limitaciones de los modelos de aprendizaje profundo, como los LLMs, y la necesidad de supervisión humana para garantizar resultados fiables.
    • Enlace en MIT Press 🌐🟡③

  3. Ioannidis, J. P. A. (2005). Why Most Published Research Findings Are False. PLoS Medicine, 2(8), e124.
    - Este artículo destaca los problemas de calidad en las publicaciones científicas, apoyando la necesidad de sistemas de validación rigurosos.
    - Enlace al PDF del artículo de Ioannidis 🌐🟡③

Fuentes que refutan o cuestionan el enfoque

  1. Halevy, A., Norvig, P., & Pereira, F. (2009). The Unreasonable Effectiveness of Data. IEEE Intelligent Systems, 24(2), 8-12.

    • Este artículo defiende que los modelos basados únicamente en datos masivos (como los LLMs) pueden ser suficientes sin necesidad de sistemas expertos, lo que contradice la necesidad de enfoques híbridos.
    • The Unreasonable Effectiveness of Data 🌐🟡③

  2. Marcus, G. (2018). Deep Learning: A Critical Appraisal. arXiv preprint arXiv:1801.00631.

    • Cuestiona la capacidad de los sistemas híbridos para superar las limitaciones fundamentales de los LLMs, argumentando que los problemas de "alucinaciones" son inherentes a la tecnología actual.
    • Deep Learning: A Critical Appraisal 🌐🟡③

  3. Smith, B. C. (2019). The Promise of Artificial Intelligence: Reckoning and Judgment. MIT Press.

One More Thing

Un escenario de retrocomputación del siglo 24

¡Desbloquea el poder de MetsuOS y descubre que la privacidad y la seguridad son la clave para desencadenar tu verdadero potencial en línea!

Contenido registrado en Safe Creative

Logo Safe Creative
¡Usa el código de promocional 7ZYM4Z y ahorrate unos eurillos en tu suscripcion de Safe Creative!

MetsuOS Needs You!

Apoyanos en este proyecto difundiendolo en tus redes, o mejor, haznos una donación a la cuenta paypal para poder dedicar más tiempo y recursos a el. No olvides comentarnos que parete te interesa más junto con tu donación.

En este momento, además de mantener los servicios, estoy centrado en crear la siguiente iteración del software que me permite hacer todo esto y creando una biblioteca personal física para poder contrastar contenido.

Sobre el sistema de validez de un contenido en MetsuOS

Empezando a incorporar los niveles de validación de un contenido (también llamada sabiduría o niveles de conocimiento) ⚫🔴 🟡 🟢 🔵⚪ ¿Qué són?

Sobre la categorización de los tipos de conocimiento

La Metsukeología (de Metsuke vision global y logos conocimiento) es la ciencia que estudia el conocimiento como un conjunto potencial de conocimiento del que podemos obtener, procesar o percibir partes concretas dentro de un marco contextual específico, y cuyo contexto general real está muy por encima de lo que somos capaces, como especie, de percibir, procesar e integrar de forma completa (definición en progreso).

La Metsucología (de Metsu aniquilación - en este contexto en forma de colapso - , logos conocimiento) es la ciencia que estudia como extraemos verdades percibidas - colapsadas - como conocimiento desde nuestra perspectiva real (tanto epistemológico como gnoseológico) al tomar una parte específica del conocimiento metsukeológico potencial enmarcado en un contexto concreto, obligando a colapsar el conocimiento potencial en conocimiento específico (definición en progreso).

Mas sobre el contexto

DISCLAIMER: Mi consideración de anticientífico respecto al consenso científico es una hipotesis de trabajo propia, que supone que toda asignación de validez, incluso aquella derivada de la conclusión por acumulación de evidencia NO debe ser supeditada a debate, ni acuerdo, debe ser algo probabilistico sin intervención del ego humano. Podría estar equivocado y, en este punto, es donde se aplicaría entonces ese mismo consenso que ahora considero no valido (incluso dañino)

Existen indicadores para algunas cuestiones adicoinales como los siguientes:

Cuando hablamos de un contenido que incluye un texto que hace referencia a otro.

También aplicaremos el Sistema de fiabilidad de fuentes y credibilidad de contenidos de la OTAN 🔴②, este sistema incluye una valoración de la fiabilidad de la fuente de A a F (siendo A la de mayor fiabilidad) y una varloración de credibilidad del contenido de 1 a 6 (siendo 1 la mayor credibilidad).

En MetsuOS la agregaremos al final uniendo amos valores como si fuera una coordenada. Por ejemplo: ⚫①-D4 o 🟡③-B2. Esto ayudarña a contextualizar la información sobre la solidez del conocimiento al que se hace referencia en cada momento.

Hay que tener en cuenta que, cuando hay elementos subjetivos o parcialmente subjetivos, el punto de referencia seré yo mismo. Quizá más adelante pueda objetivizar esto más (seria lo deseable), pero en tanto no tenga herramientas que me lo permitan, debo ceñirme al principio de honestidar intelectual, y esperar que mis sesgos dañen lo menos posible la información (en parte este es el nudo gordiano que pretendo resolver, y por ello es dificil resolverlo a priori).

Así de forma resumida, podríamos decir que esta definición es nivel 🔴② (Rojo2 xD) ¿Crees que me dejo algo? Si es así por favor ayudame a mejorarlo contactándome a través de X (Twitter) en mi cuenta, @metsuke 🌐

Consulta la versión completa de la descripcion en ⚫🔴🟡🟢🔵⚪ (🔴②) Un poco más de detalle