santander-ai-lab

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