Foris no incorporó inteligencia artificial como una función adicional. Desde su diseño, el Foris Suite fue construido para que sus datos operativos, reglas de negocio y procesos sean nativamente consumibles por modelos de IA y agentes de lenguaje natural.
Filosofía: IA como columna vertebral
Foris no incorporó inteligencia artificial como una función adicional. Desde su diseño, el Foris Suite fue construido para que sus datos operativos, reglas de negocio y procesos sean nativamente consumibles por modelos de IA y agentes de lenguaje natural.
Esto se traduce en tres capacidades estructurales:
- MCP Servers — Los datos del Foris Suite están disponibles como herramientas para agentes de IA, sin necesidad de integración adicional.
- Data Gateway — Punto de acceso unificado para que modelos y agentes consulten datos académicos en tiempo real.
- Plataforma de Agentes — Infraestructura para desplegar, configurar y gobernar agentes conversacionales y de automatización en toda la suite.
La IA en Foris no es una capa superficial sobre procesos existentes: es el motor que los ejecuta.
Dimensiones de Inteligencia
Foris aborda la inteligencia institucional desde tres ángulos complementarios:
1. Planificación y Optimización
Algoritmos propietarios que resuelven los problemas de combinatoria y predicción más complejos del ecosistema universitario:
| Algoritmo | Producto | Función |
|---|---|---|
| Viktor | Darwin | Optimización de horarios académicos |
| Paul | Darwin | Proyección de demanda de inscripciones |
2. Machine Learning y Analítica Predictiva
Plataforma de aprendizaje automático para predecir cualquier fenómeno medible en la institución, con una implementación especializada para retención estudiantil:
| Modelo | Producto | Función |
|---|---|---|
| Modelo de Retención (Stella) | Stella | Predicción de riesgo de deserción |
| Plataforma General de ML | Plataforma | AutoML configurable para cualquier variable objetivo |
3. Agentes e Interacción en Lenguaje Natural
IA conversacional embebida en módulos clave de la suite para eliminar la barrera técnica en la configuración de procesos complejos:
| Agente | Módulo | Función |
|---|---|---|
| Metis | Plataforma de Procesos – Reglas | Creación, descripción y búsqueda de reglas en lenguaje natural |
| Agente de Logs | Plataforma de Procesos – Procesos | Diagnóstico de errores en ejecuciones |
| Agente de Workflows | Plataforma de Procesos – Workflows | Configuración y comprensión de workflows en lenguaje natural |
| Asistente de Matrícula | Albus | Apoyo a estudiantes durante el proceso de inscripción |
Enfoque Híbrido
El diferencial de la inteligencia de Foris no radica en usar una sola técnica, sino en combinar las apropiadas para cada problema:
- Metaheurísticas — Algoritmos genéticos y búsqueda local para optimización combinatoria (Viktor).
- Simulación curricular — Modelado del avance de cada estudiante a nivel de plan de estudios (Paul).
- AutoML — Optimización automática de hiperparámetros para encontrar el mejor modelo predictivo según los datos de cada institución.
- Árboles de decisión — Construcción de perfiles de riesgo explicables para intervención estudiantil (Stella).
- LLMs + RAG — Agentes que comprenden el contexto institucional y operan sobre datos en tiempo real.
- Motores de reglas — DSL propio que traduce políticas académicas a lógica ejecutable, compatible con generación por LLMs.
El modelo human-in-the-loop está presente en todos los flujos: la IA propone, el equipo institucional valida y decide. Ningún proceso crítico ocurre sin visibilidad ni control humano.
Principios de Diseño
- Explicabilidad — Cada predicción o recomendación puede ser justificada. Los factores de riesgo en Stella son legibles por asesores; los reportes de Viktor muestran las métricas del algoritmo; Paul genera análisis de proyección descargables.
- Adaptabilidad por institución — Los modelos se entrenan con datos propios de cada universidad. Las reglas de los algoritmos son configurables por institución. No hay modelos genéricos aplicados a todos.
- Escalabilidad — La arquitectura de workers contenerizados (Docker/ECR) permite escalar cada componente de IA de forma independiente.
- Integración nativa — La inteligencia no requiere conectores externos: Viktor lee de Darwin y escribe en Darwin; Paul consulta la API de Darwin y publica resultados de vuelta; Stella consume datos del Data Lakehouse.