santander-ai-lab
Conocimiento de los repositorios open-source de Santander AI Lab — 11 proyectos Apache 2.0 cubriendo grafos ML, RAG, Bayesian networks, LLM clients, causal inference y más. Documenta qué repos existen, su utilidad y relevancia para proyectos de Ineco y otros.
소스 정보
- 저장소
- Ntizar/NtizarBrainMasterMind
- 최근 소스 활동
- 2026년 6월 26일 12:05
- 감지된 SKILL.md 언어
- 스페인어
- 스타
- 2
- 포크
- 0
설치 방법
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
소스 파일 검토
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
파일 탐색기
2 개 파일SKILL.md 표시 중
SKILL.md
소스 지침 · 읽기 전용 미리보기- name
- santander-ai-lab
- version
- 1.0.0
- description
- Conocimiento de los repositorios open-source de Santander AI Lab — 11 proyectos Apache 2.0 cubriendo grafos ML, RAG, Bayesian networks, LLM clients, causal inference y más. Documenta qué repos existen, su utilidad y relevancia para proyectos de Ineco y otros.
- tags
- ["santander","ai-lab","open-source","graph-ml","rag","bayesian","llm","causal-inference"]
# 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
GitHub에서 보기