AI Models

Modelos pequeños, enseñados para una sola tarea.

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.

Ilustración estilo arcilla de modelos de IA: una esfera de nodos conectados y bloques cúbicos de modelo rodeados de puntos neuronales brillantesIlustración estilo arcilla de modelos de IA: una esfera de nodos conectados y bloques cúbicos de modelo rodeados de puntos neuronales brillantes

Acerca de este producto

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.

Para qué sirve

Para quién:Para administradores y operadores que mantienen afilados a Rollie y Vision, y quieren tener cada modelo, control y token contabilizados.

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.

Equipos de almacén que usan controles Vision

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.

Atención al cliente y entrenadores de Agent Crew

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.

Operaciones de plataforma que vigilan el gasto en IA

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.

Flujo principal

  1. Elija un modelo de la biblioteca
  2. Enséñele con sus ejemplos
  3. Vea las políticas de validación
  4. Siga el uso por función

Características principales

Ilustración en arcilla: una pequeña estantería de biblioteca con cajas de modelo etiquetadas en fila, una caja brillante siendo retiradaIlustración en arcilla: una pequeña estantería de biblioteca con cajas de modelo etiquetadas en fila, una caja brillante siendo retirada

Biblioteca de modelos y versiones

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.

Ilustración en arcilla: una figura docente mostrando tarjetas de ejemplo a un pequeño robot, una marcada correcta y otra incorrectaIlustración en arcilla: una figura docente mostrando tarjetas de ejemplo a un pequeño robot, una marcada correcta y otra incorrecta

Enseñanza con sus propios ejemplos

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.

Ilustración en arcilla: una cámara de mesa de empaque comparando la lista de contenido con los artículos dentro de la caja, con una pequeña marca de verificación flotando encimaIlustración en arcilla: una cámara de mesa de empaque comparando la lista de contenido con los artículos dentro de la caja, con una pequeña marca de verificación flotando encima

Políticas de validación legibles

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.

Ilustración en arcilla: un libro abierto con pequeños contadores de tokens y monedas de crédito apiladas junto a tarjetas de modeloIlustración en arcilla: un libro abierto con pequeños contadores de tokens y monedas de crédito apiladas junto a tarjetas de modelo

Libro de uso, por función

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.

Ilustración en arcilla: un pequeño tablero de conmutación que enruta líneas brillantes desde varias torres de proveedores hacia un edificio de almacénIlustración en arcilla: un pequeño tablero de conmutación que enruta líneas brillantes desde varias torres de proveedores hacia un edificio de almacén

Enrutador de IA y conmutación por error

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.

Ilustración en arcilla: un pequeño robot hablando y un ojo de cámara lado a lado, ambos unidos por líneas brillantes a una sola caja de modeloIlustración en arcilla: un pequeño robot hablando y un ojo de cámara lado a lado, ambos unidos por líneas brillantes a una sola caja de modelo

Un modelo, dos sentidos: Rollie y Vision

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.

Ilustración en arcilla: una pequeña cerca alrededor de un jardín de cajas de modelo, con un letrero en forma de rostro tachado en la puertaIlustración en arcilla: una pequeña cerca alrededor de un jardín de cajas de modelo, con un letrero en forma de rostro tachado en la puerta

Solo modelos pequeños, y límites claros

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.

Lo esencial del día a día

Biblioteca de modelos

Cada modelo pequeño y sus versiones, en un solo registro.

Enseñanza

Muestre ejemplos y corrija respuestas: el modelo aprende sus escenas.

Políticas de validación

Cómo corre cada comprobación de IA, en palabras claras; aquí solo se lee.

Uso

Uso de IA este mes, por función: tokens usados, en un solo registro.

Paquetes de modelo

Paquetes versionados que llevan un modelo de la enseñanza al uso en vivo.

Ejecuciones de evaluación

Pruebe una versión contra ejemplos reservados antes de ponerla en vivo.

Cuotas y presupuestos

Presupuestos de Credit por persona y la puerta de cuota de la plataforma, en Credits.

Rastro de auditoría

Quién enseñó, corrigió, versionó o retiró un modelo, todo registrado.

Soporte del ecosistema

Rollie: la voz de estos modelos

AI Rollie responde preguntas de almacén con los modelos gestionados aquí: la misma biblioteca, las mismas versiones, la misma enseñanza; cuando un modelo se corrige aquí, las respuestas de Rollie mejoran en todas partes a la vez.

Vision: los ojos de estos modelos

Vision vigila mesas de empaque, patios y muelles con modelos de detección enseñados aquí: la cámara ve, el modelo juzga, y el resultado de la comprobación cae en la estación de empaque con su evidencia adjunta.

Agent Crew: agentes enseñados en la misma mesa

Los agentes que responden a los clientes se entrenan por el canal de enseñanza de agentes junto al canal de visión: una mesa, dos tipos de modelos, la misma disciplina de versiones y validación, y el mismo libro de uso cobrando cada ejecución.

Cómo se conecta:Rollie habla y Vision ve con modelos gestionados aquí: enseñe una vez aquí y ambos mejoran.

¿Listo para ponerlo a trabajar?

Explorar las demás aplicaciones