dashai-system-one-plugin

Plugin de modelos abiertos System One (decisiones neuronales rápidas y tipadas) para DashAI. Añade a la tarea Text Classification de DashAI modelos que clasifican texto zero-shot a partir de los nombres de las clases, con inferencia 100 % local en CPU y Apple Silicon (MPS).

Características

1. Inferencia local. Ninguna llamada a APIs externas durante la inferencia. Internet se usa una sola vez para descargar paquetes y pesos; con HF_HUB_OFFLINE=1 el plugin funciona sin conexión (verificado con la red denegada a nivel de proceso).
2. Contrato tipado unificado. choice, score y noul (core/contracts.py). Laya y GLiNER implementan choice; score y noul quedan en el contrato para otros backends.
3. Honestidad sobre las probabilidades. Solo se exponen probabilidades que el modelo calcula. GLiNER solo da la etiqueta, así que entrega one-hot con calibrated=False; las de Laya se marcan calibrated=False porque están sobreconfiadas. Ver ADR-002.
4. Integración con DashAI. Aparecen en el catálogo de modelos de Text Classification con formulario bilingüe (ES/EN). Probado de punta a punta con DashAI 0.10.0.

Resultados (resumen)

Zero-shot sobre MASSIVE (18 escenarios, 300 muestras por idioma, Apple M1 8 GB). Detalle, intervalos de confianza, calibración, memoria y límites en docs/benchmark-results.md.

Son modelos pequeños para decisiones rápidas, no clasificadores afinados a tu dominio. Entre el 12 % y el 23 % de las predicciones cambian al invertir el orden de las etiquetas. Mide sobre una muestra etiquetada tuya antes de automatizar decisiones.

Instalación

Requiere Python ≥ 3.10. Desde el código fuente:

git clone https://github.com/diegoolguinw/dashai_system_one_plugin.git && cd dashai_system_one_plugin
pip install -e ".[all]"          # DashAI + Laya + GLiNER
# o solo lo que necesites:
pip install -e ".[laya]"         # Laya
pip install -e ".[gliner]"       # GLiNER
pip install -e .                 # contratos y backend de prueba, sin modelos

Instálalo en el mismo entorno que DashAI.

Uso en DashAI

1. Inicia DashAI con el intérprete de ese entorno: python -m DashAI --no-browser.
2. Sube un dataset con una columna de texto y una categórica (hay uno de ejemplo en examples/routing_sample.csv).
3. Crea una sesión de Text Classification y elige uno de los modelos de la tabla.
4. Ejecuta y compara métricas con el resto de modelos de DashAI.

Guía paso a paso con capturas: docs/tutorial.md.

Uso en Python

from dashai_system_one_plugin.backends import LayaBackend
from dashai_system_one_plugin.core.contracts import DecisionSpec, QuestionSpec

spec = DecisionSpec(
    state="I was charged twice for order 1182. Please refund one of the charges.",
    questions={
        "team": QuestionSpec(
            type="choice",
            instructions="Which team should handle this?",
            criteria={"billing": "Charges and refunds", "shipping": "Deliveries", "returns": "Exchanges"},
        )
    },
)

backend = LayaBackend()
backend.load("convaiinnovations/laya", device="auto")   # descarga los pesos la primera vez
answer = backend.predict(spec).answers["team"]
print(answer.value, answer.probabilities, answer.calibrated)
backend.unload()

Más ejemplos: examples/real_backends.py (Laya y GLiNER) y examples/local_inference.py (sin dependencias, con FakeBackend).

Documentación

• Tutorial · Solución de problemas
• Modelos locales y modo sin conexión · Compatibilidad
• Arquitectura · Decisiones (ADR)
• Protocolo de benchmark · Resultados

Desarrollo

pip install -e ".[dev]"
ruff check .
pytest                      # suite unitaria (no descarga modelos)
pytest -m integration       # con checkpoints reales en la caché de Hugging Face
python benchmarks/prepare_data.py && python benchmarks/run_benchmark.py && python benchmarks/report.py

Las reglas de colaboración de los agentes del proyecto están en AGENTS.md; ver también CONTRIBUTING.md.

Limitaciones conocidas

• batch_size no acelera: el adaptador procesa las muestras una a una.
• GLiNER no devuelve probabilidades, solo la etiqueta.
• Solo se ha probado en macOS (Apple M1, CPU y MPS); CUDA no se ha verificado.
• Los modelos en español rinden claramente peor que en inglés en el benchmark.

Licencia

El código se distribuye bajo la licencia MIT. Los pesos de los modelos tienen su propia licencia (todos Apache-2.0 al momento de escribir esto).