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.
来源信息
- 仓库
- Ntizar/NtizarBrainMasterMind
- 最近来源活动
- 2026年6月26日 12:05
- 检测到的 SKILL.md 语言
- 西班牙语
- 星标
- 2
- 分支
- 0
安装方式
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
检查来源文件
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
文件资源管理器
2 个文件正在显示 SKILL.md
SKILL.md
来源说明 · 只读预览- 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
在 GitHub 查看