Administradores y operadores de IA
Las personas que mantienen afilados a Rollie y Vision: un registro para ver cada modelo, su versión, sus controles y sus tokens, y saber cuál se está desviando.
La sala de control de los modelos pequeños detrás de Rollie y Vision: biblioteca de modelos, versiones, enseñanza y validación — cada modelo de la plataforma, gestionado en un solo lugar.


Docklify AI Models es la sala de control de los modelos pequeños detrás de Rollie y Vision: la biblioteca de modelos, las versiones, la enseñanza y la validación; cada modelo que corre la plataforma, gestionado en un solo lugar. Docklify no entrena modelos gigantes desde cero: enseña modelos pequeños de una sola escena que hacen bien un trabajo: leer una mesa de empaque, responder una pregunta de almacén, detectar un problema de seguridad. Enseñe un modelo una vez aquí, con sus propios ejemplos, y cada aplicación que lo usa se vuelve más precisa: Rollie habla con él, Vision ve con él, y el libro de uso muestra lo que cuesta cada modelo. Cada modelo lleva su responsable, su historia y su costo, para que la plataforma nunca ejecute un modelo que nadie recuerda haber aprobado.
Las personas que mantienen afilados a Rollie y Vision: un registro para ver cada modelo, su versión, sus controles y sus tokens, y saber cuál se está desviando.
Estaciones de empaque, patios y muelles donde las cámaras vigilan el trabajo: los modelos de detección detrás de esos controles se enseñan y validan aquí, no en una caja negra.
Equipos que enseñan a los agentes a responder clientes: el canal de enseñanza para agentes vive junto al canal de visión, con la misma disciplina de versiones y validación.
El gasto en IA es dinero real: el uso por función, los presupuestos por persona y la puerta de cuota de la plataforma mantienen la factura visible antes de que se convierta en sorpresa. La factura sigue visible antes de que termine el mes, no después de llegar.


Cada modelo pequeño que corre la plataforma vive en un solo registro: para qué sirve, qué versión está en vivo, qué versiones vinieron antes y qué aplicaciones lo usan. Una versión nueva nunca reemplaza a la anterior en silencio: las versiones son explícitas, así que un modelo puede revertirse cuando el nuevo se comporta peor en el mundo real, y el equipo siempre sabe qué versión respondió qué pregunta o verificó qué empaque. La biblioteca es el único lugar donde existe un modelo: sin copias flotando en hojas de cálculo ni dos equipos enseñando el mismo trabajo dos veces. Las versiones retiradas siguen siendo legibles en la biblioteca, así que una respuesta antigua aún puede explicarse después de que su modelo haya cambiado.


Un modelo aprende sus escenas, no el libro de texto de otro. Muéstrele ejemplos de su propio piso — el empaque que estuvo bien, el que estuvo mal, la respuesta que satisfizo al cliente — y corrija sus respuestas hasta que se comporte como lo haría su equipo. Hay dos canales de enseñanza, deliberadamente separados: la enseñanza de visión entrena modelos de detección sobre lo que ven las cámaras, y la enseñanza de agentes entrena a los agentes que hablan con los clientes. Cada canal enseña su propio tipo de modelo, así que un ejemplo de empaque nunca se filtra en una respuesta al cliente y una corrección de chat nunca cambia lo que busca una cámara.


Las comprobaciones de IA no son magia, y esta página lo dice claramente: muestra cómo corre cada comprobación, con palabras que cualquiera puede seguir. La comprobación de empaque, por ejemplo, compara lo que la cámara vio en la mesa con lo que el pedido dice que debe haber en la caja, y la comprobación en sí ocurre en la estación de empaque, no aquí. Esta página es de solo lectura: permite a un administrador ver la política, la evidencia que produce y los modelos detrás, sin tocar una comprobación en vivo. Cuando una comprobación se equivoca, la solución es enseñar, no un interruptor oculto. Una comprobación que sigue fallando siempre igual es una señal de enseñar el modelo de nuevo, no de bajar el listón.


Uso de IA este mes, por función, en un solo libro: qué modelos corrieron, cuántos tokens usaron y qué significa eso en Credits, la única unidad visible del inquilino. Una pregunta respondida cuesta un Credit, una ejecución de tarea automática cuesta un Credit, una ejecución de agente cuesta cinco, y cada ejecución cae en la tabla de ejecuciones con su conteo de tokens adjunto, así que cualquier cargo puede rastrearse hasta la ejecución que lo causó. El inquilino ve Credits; la plataforma guarda el libro de costos en tokens de su lado, y los dos libros nunca se mezclan en un solo número confuso. Las ejecuciones fallidas no cuestan Credits; solo se cobra el éxito.


Un solo enrutador se interpone entre las aplicaciones y los proveedores de modelos, para que ninguna función esté casada con un solo proveedor. Cuando un proveedor va lento o cae, el enrutador conmuta al siguiente y el usuario ve una respuesta, no una página de error. Los modelos nuevos se incorporan con una sola rutina documentada — registrar el modelo, nombrar su escena, fijar sus límites — así que añadir un proveedor es una lista de verificación, no un proyecto. Los modelos de escena tienen sus propias entradas de catálogo, y el enrutador mantiene el costo de cada llamada en los libros, que es lo que hace honesto el libro de uso. El enrutador nunca muestra al inquilino un número de tokens.


Rollie habla y Vision ve con modelos gestionados aquí: enseñe una vez aquí y ambos mejoran. El modelo de empaque que verifica una caja en la mesa es el mismo tipo de modelo que responde la pregunta de un supervisor sobre ese empaque, porque ambos se nutren de la misma biblioteca, las mismas versiones y la misma enseñanza. Cuando un modelo mejora, la mejora llega a cada aplicación a la vez; cuando se retira, se retira en todas partes, no queda corriendo en un rincón que nadie vigila. Un modelo, gestionado una vez, sirviendo a toda la plataforma. La biblioteca compartida es también la memoria compartida: lo que una aplicación aprende sobre un modelo, cada aplicación lo hereda.


La regla está escrita en la pared: solo modelos pequeños de una sola escena. Sin entrenar modelos grandes desde cero, y sin modelos de reconocimiento facial, jamás. Un modelo que vigila una mesa de empaque vigila cajas, no personas; un modelo que responde una pregunta responde desde los datos propios de la plataforma, dentro del inquilino que los posee. Los límites no son una nota al pie de un documento de diseño: se aplican donde se registran los modelos, así que un modelo que rompe la regla no puede añadirse en primer lugar. Los clientes que preguntan qué hace la IA — y qué nunca hará — obtienen una respuesta directa desde esta página.
Cada modelo pequeño y sus versiones, en un solo registro.
Muestre ejemplos y corrija respuestas: el modelo aprende sus escenas.
Cómo corre cada comprobación de IA, en palabras claras; aquí solo se lee.
Uso de IA este mes, por función: tokens usados, en un solo registro.
Paquetes versionados que llevan un modelo de la enseñanza al uso en vivo.
Pruebe una versión contra ejemplos reservados antes de ponerla en vivo.
Presupuestos de Credit por persona y la puerta de cuota de la plataforma, en Credits.
Quién enseñó, corrigió, versionó o retiró un modelo, todo registrado.