Evolium Labs

Investigación que orienta cómo construimos.

Evolium Labs es donde probamos cómo deben leer, evaluar y decidir los sistemas inteligentes antes de que esas ideas lleguen a la operación de un cliente.

Partir de una pregunta real
La investigación comienza con un problema que alguien realmente tiene.
Reportar evidencia con sus límites
Los resultados vienen con lo que no demuestran: desbalance, tamaño de muestra, generalización.
Mantener la procedencia exacta
El origen de cada trabajo se indica con claridad, sin exagerar.

01Investigación aplicada actual · 2026

Extracción autovalidada de estados de cuenta heterogéneos

Pregunta¿Cómo debe leer documentos financieros un sistema de IA cuando el formato cambia según el banco, los periodos son ambiguos y un error llega a una solicitud real?

En la operación hipotecaria, los estados de cuenta y comprobantes de ingresos llegan con formatos inconsistentes, a menudo antes de conocer los requisitos del caso. La extracción se acompaña de una conciliación que decide qué requisito cubre cada documento y cuándo debe decidir una persona.

Enfoque

Dos pasadas: entender el documento primero y conciliarlo cuando existe el perfil del caso
Un solo archivo puede cubrir varios requisitos mensuales, cada uno con su evidencia y confianza
La evidencia débil (una fecha de pago en lugar de un periodo) se descuenta de forma explícita
Todo documento que no puede ubicarse genera un aviso visible para un asesor

Hallazgo

El sistema se construye alrededor de tres negativas: nunca inventa un periodo, nunca sobrescribe una asignación humana y nunca descarta un archivo en silencio.

Hoy orienta

La IA gobernada se diseña tanto por lo que el sistema no debe hacer como por lo que automatiza.

ActivaInvestigación aplicada de Evolium, en uso en el trabajo actual con clientes.

02Fundamentos de investigación · 2025

Deep learning con conciencia geométrica para segmentar órganos de plantas en LiDAR 3D

Pregunta¿Puede un modelo separar tallo, hojas y estructuras de soporte en escaneos 3D con suficiente calidad para estimar biomasa?

Una red neuronal convolucional de bordes dinámicos (DGCNN) segmentó nubes de puntos LiDAR de plantas por órgano. Se añadieron descriptores geométricos para que el modelo razonara sobre la forma y no solo sobre la posición.

LiDAR point cloud of a plant, colored by predicted organ class: stem, leaf, and support stake — Salida del modelo: puntos coloreados según el órgano predicho.

Plant phenotyping facility used for prior LiDAR research — Advanced Plant Phenotyping Laboratory, Oak Ridge National Laboratory.

Three-dimensional LiDAR scan used for plant-organ segmentation research — Una planta posicionada para escaneo LiDAR 3D.

Enfoque

Pipeline reproducible para escaneos crudos: filtrado de fondo, muestreo por vóxeles de 2 cm y normalización
Atributos geométricos: linealidad, planaridad, esfericidad, altura relativa y normales de superficie
Protocolo de anotación manual con 30 escaneos completamente segmentados
Evaluación por IoU y recall por clase con un fuerte desbalance de clases

Hallazgo

IoU medio global de 65.58% y recall de tallo de 82.27%. El tallo es el órgano más importante para estimar biomasa, así que la evaluación se diseñó alrededor de esa decisión y no de una sola cifra llamativa.

Hoy orienta

Evaluar contra la decisión que el sistema apoya, no contra la métrica que se ve mejor.

OrigenFundamento de investigación desarrollado en East Tennessee State University, con colaboración de Oak Ridge National Laboratory, que hoy orienta a Evolium Labs.

03Fundamentos de investigación · 2025

Clasificación y generalización de intenciones motoras con EEG

Pregunta¿Se pueden clasificar con confiabilidad las intenciones de reposo, mano izquierda y mano derecha a partir de señales EEG no invasivas y ruidosas?

Se compararon pipelines tradicionales — Common Spatial Patterns con clasificadores lineales y PCA — contra una red convolucional 1D que aprende directamente de señales mínimamente procesadas.

Enfoque

Filtrado pasa banda e ingeniería de atributos en dominios temporal, frecuencial y espacial
Manejo explícito del desbalance de clases antes de comparar modelos
Comparación de líneas base clásicas contra una CNN 1D sobre datos reservados
Atención a la baja relación señal-ruido y a la variación entre personas

Hallazgo

La exactitud sobre una partición reservada no equivale a generalización. La variabilidad entre sujetos define hasta dónde puede confiarse responsablemente en un resultado.

Hoy orienta

Antes de introducir inteligencia en una operación, comprobar si se sostiene más allá de los datos con los que fue construida.

OrigenFundamento de investigación desarrollado en East Tennessee State University, que hoy orienta a Evolium Labs.

¿Tienes un problema que necesita investigación antes que software?

Algunos problemas operativos empiezan con una pregunta abierta. Te ayudamos a plantearla, ponerla a prueba y decidir qué vale la pena construir.

Hablemos de un problema