Leeroo publicó como código abierto Kapso, un motor que ejecuta experimentos con los datos de una empresa, despliega la solución más sólida que encuentra y lleva un registro de lo que aprende en el proceso. La compañía, que afirma estar enfocada en sistemas de IA para datos empresariales, anunció el lanzamiento en una publicación en Hacker News.

La idea se basa en una observación sencilla de los fundadores de la compañía, Alireza y Majid. El trabajo con datos es iterativo. Los analistas investigan, formulan hipótesis, las prueban y ajustan. Leeroo sostiene que este proceso de abajo hacia arriba es la única forma de entregar resultados rápidamente en entornos empresariales grandes y desorganizados. Esperar a que los consultores reúnan contexto en reuniones, o a que un equipo defina una ontología de negocio completa antes de tocar los datos, puede tomar trimestres o incluso años, escribieron los fundadores.

Como ejemplo, señalan un proyecto reciente. Una empresa estaba migrando desde una infraestructura de datos antigua hacia un lakehouse, una configuración que abarcaba más de 30 familias de sistemas de origen, miles de tablas y transformaciones, y cientos de informes de inteligencia de negocios. Nadie involucrado, ya fuera humano o agente de IA, entendía cómo se conectaban las piezas. El equipo aprendió el sistema leyendo los repositorios de la empresa, los modelos de dbt, la documentación y los propios datos, para luego proponer hipótesis, ejecutar experimentos y verificar los resultados hasta comprender cómo se comportaba cada sistema y bajo qué condiciones.

Leeroo afirma que el mismo ciclo se aplica a casi cualquier trabajo con datos o software, ya sea optimizar un almacén de datos, construir un pipeline de lakehouse o predecir la deserción de clientes. El conocimiento práctico se acumula con el tiempo, sostiene la compañía, y es más útil cuando se prueba en un entorno específico. La generación aumentada por recuperación sobre documentación, en cambio, tiene poco valor hasta que se observan las consecuencias de un cambio. Kapso está diseñado para hacer esas pruebas en un entorno aislado, de forma muy similar a como lo haría un ingeniero humano.

Cómo funciona el banco de lecciones

¿Cómo aprende Kapso de los experimentos?

Los usuarios le dan a Kapso un objetivo y criterios de éxito. Luego, el sistema trabaja hacia una solución óptima que puede desplegarse en la pila tecnológica del usuario. Su componente central es un banco de lecciones, extraídas de experimentos pasados. Cada lección tiene un puntaje de credibilidad, las condiciones en las que aplica y la evidencia que la respalda.

¿Cómo elige Kapso sus próximos experimentos?

Para cada nuevo experimento, un módulo de ideación propone ideas basadas en esas lecciones anteriores. Las clasifica según el rendimiento esperado frente al presupuesto que consumiría cada idea, y luego envía los candidatos principales a un módulo implementador. Como el banco sigue aprendiendo de los experimentos en ese entorno particular, Leeroo afirma que sus propuestas se ajustan mejor al contexto que las hipótesis genéricas de un modelo de lenguaje de gran tamaño.

Los resultados son verificados por un módulo verificador independiente al que los propios experimentos no pueden acceder, lo que, según la compañía, evita que el sistema manipule sus propias evaluaciones. Los módulos de experimentación también pueden proponer cambios en las métricas y los criterios, y el verificador los aprueba o los rechaza. Después de cada ejecución, una función learn() actualiza los puntajes y los límites de las lecciones con la evidencia de esa ejecución. Los usuarios pueden realizar pruebas A/B de los cambios en el banco ejecutando compilaciones idénticas con las versiones anterior y actualizada.

Los bancos de lecciones se construyen sobre git, por lo que pueden compartirse, listarse y actualizarse. La compañía enumera los comandos de la interfaz de línea de comandos, entre ellos kapso experience share, list y update. Kapso se describe como agnóstico tanto al modelo como al agente de codificación. Un comando separado, kapso.deploy, toma una solución y una pila de destino, y ejecuta un ciclo de experimentación más corto para adaptarla. Leeroo menciona Docker, Modal, BentoCloud y LangGraph como ejemplos de pilas de destino. Los usuarios también pueden escribir su propio arnés de dominio, un punto de partida para un campo específico, usando el comando harness del plugin o la CLI.

Afirmaciones sobre pruebas de referencia

¿Qué resultados obtiene Kapso en las pruebas públicas de referencia?

Leeroo afirma que Kapso tuvo un buen desempeño en varias pruebas de referencia públicas y competencias en vivo. En RelBench, una prueba de referencia para modelado predictivo sobre bases de datos relacionales, administrada por Stanford y desarrollada originalmente junto con Kumo AI, que ahora forma parte de Nvidia, la compañía dice que Kapso ocupó el primer lugar, por delante del mejor modelo fundacional tabular. Leeroo sostiene que esto demuestra que mantener el aprendizaje a nivel de arnés puede superar a los modelos fundacionales para tablas, y que actualizar un banco de lecciones cuesta mucho menos que reentrenar uno.

En MLE-bench de OpenAI, la compañía afirma que Kapso quedó primero al momento de su envío y que sigue entre los principales sistemas de código abierto. En competencias, Leeroo asegura que Kapso superó al mejor agente reportado por los autores de ALE-Bench en Sakana AI. También afirma que Kapso se ejecutó de forma autónoma en la Olimpiada Internacional de IA 2026 en vivo, terminando por encima de los 471 concursantes humanos y entre los tres mejores sistemas de IA. Estos son los resultados reportados por la propia compañía, y los tableros de clasificación públicos y las solicitudes de cambio que enlaza son los lugares donde pueden verificarse.

Leeroo también administra un banco público de conocimiento sobre aprendizaje automático y datos en Leeroopedia. La compañía indica que el sitio contiene alrededor de 100.000 páginas extraídas mediante experimentos con artículos y repositorios de código. Recibe cerca de 6 millones de solicitudes al mes, de las cuales aproximadamente el 28 por ciento provienen de agentes de IA.

La compañía invita a empresas en crecimiento con infraestructuras de datos complejas que abarcan múltiples sistemas y funciones, así como a equipos de datos e IA con recursos limitados, a comunicarse con ella. El código está disponible en GitHub.

Dieser Artikel wurde mit Unterstützung von KI verfasst.
News Factory APP - agentische News für besseres SEO & AEO.