santander-ai-lab

# Santander AI Lab — Ecosistema de Repositorios ## Resumen El equipo de IA del Banco Santander (Santander AI Lab) mantiene **11 repositorios open-source** (Apache 2.0) que cubren un ecosistema coherente de herramientas de IA/ML. David los tiene en sus stars de GitHub. ## Repositorios Ver `references/santander-ai-lab-repos.md` para la tabla completa con stars, lenguajes y relevancia. ### Top 3 para Ineco 1. **gen-fraud-graph** (132⭐) — Generador de grafos sintéticos de fraude. Output CSV para Neo4j/TigerGraph/Neptune. Aplicable a grafos de redes de transporte. 2. **linear-adapter-trainer** (15⭐) — Fine-tune de embeddings para RAG sin re-indexar corpus. Mejora +19% precision@1. 3. **auto-bayesian** (24⭐) — Redes Bayesianas interpretables desde datos tabulares relacionales. Predicción legible directamente. ### Los 11 repos completos 1. `gen-fraud-graph` (132⭐) — Grafos sintéticos de fraude 2. `ralph` (49⭐) — Loop de agentes de coding 3. `ralph-vault-skill` (41⭐) — Knowledge vault 4. `llm_bridge` (41⭐) — Cliente LLM vendor-neutral 5. `auto-bayesian` (24⭐) — Bayesian networks interpretables 6. `sota-stressed-datasets` (22⭐) — Benchmarks estresados 7. `autoguardrails` (65⭐) — Guardrails LLM 8. `mech-gov-framework` (36⭐) — Gobernanza LLM 9. `causal-perception-implementation` (17⭐) — Inferencia causal 10. `mutatis-mutandis` (13⭐) — Fairness algorítmica 11. `linear-adapter-trainer` (15⭐) — Embedding adapters para RAG ## Uso Cuando necesites: - Grafos sintéticos para benchmarkear GNNs → `gen-fraud-graph` - Mejorar búsqueda RAG sin re-indexar → `linear-adapter-trainer` - Predicción interpretable desde datos tabulares → `auto-bayesian` - Cliente LLM multi-proveedor → `llm_bridge` - Inferencia causal → `causal-perception-implementation` ## Notas técnicas - Todos Apache 2.0 - Todos Python (excepto ralph en PowerShell) - Actualizados junio 2026 - READMEs completos con CI/CD activo