MOSAIC
MOSAIC: análisis multi-observador con consenso inteligente
En resumen
MOSAIC (Multi-Observer Specialized Analysis with Intelligent Consensus) es el módulo de RootNia que ejecuta varios modelos especializados sobre el mismo contenido y concilia sus resultados en una única respuesta de consenso. Al no depender de un solo modelo, reduce los errores y las inconsistencias en extracciones y clasificaciones donde un fallo tiene coste.
Última actualización ·
El problema de fiarse de un solo modelo
Un modelo de lenguaje puede leer mal una cifra, confundir dos fechas o clasificar un documento en la categoría equivocada, y hacerlo con total seguridad aparente. Cuando el resultado alimenta una decisión —una cobertura, un importe, una cláusula— ese error tiene coste.
Cómo funciona MOSAIC
- Varios observadores: el mismo contenido se analiza con varios modelos especializados.
- Comparación de resultados: sus salidas se contrastan entre sí.
- Consenso inteligente: MOSAIC concilia esas lecturas en una única respuesta, reduciendo errores e inconsistencias.
Cuándo aporta más
- Extracción de datos críticos en contratos y documentación legal.
- Clasificación de documentos ambiguos que podrían pertenecer a varios sectores.
- Procesos donde la revisión humana es cara y conviene concentrarla en los casos dudosos.
Ejemplo: una fecha que dos modelos leen distinto
Ejemplo ilustrativo del funcionamiento, no de un cliente concreto.
En un contrato escaneado, la fecha de vencimiento aparece como «01/02/2027». Un modelo la interpreta como 1 de febrero y otro como 2 de enero. MOSAIC detecta la discrepancia, la concilia teniendo en cuenta el resto del documento —idioma, formato de otras fechas, fecha de firma— y la marca para que la revisión se centre en ese dato, que VERA permite localizar en el original.
Limitaciones y buenas prácticas
- Coste y latencia: ejecutar varios modelos consume más recursos que uno solo; tiene sentido donde un error sale caro.
- El consenso no es infalible: varios modelos pueden coincidir en un error; por eso cada dato sigue siendo verificable en su fuente.
- Revisión focalizada: aprovecha las discrepancias para dirigir la revisión humana a los casos dudosos.
Junto a VERA
MOSAIC decide qué dato es el correcto; VERA muestra de dónde sale, anclándolo a su región en el documento. La combinación de ambos da resultados que se pueden auditar. Este enfoque es una de las diferencias frente a usar ChatGPT o Claude directamente.
Preguntas frecuentes
¿Por qué usar varios modelos en lugar de uno?
Cada modelo tiene fortalezas y puntos débiles distintos. Comparar varias lecturas del mismo contenido permite detectar discrepancias y quedarse con el resultado en el que coinciden, en lugar de aceptar sin más la salida de un único modelo.
¿Qué ocurre si los modelos no se ponen de acuerdo?
MOSAIC concilia los resultados en una respuesta de consenso. Las discrepancias son, además, una señal útil para revisar ese dato concreto junto a su fuente, que VERA permite localizar en el documento original.
¿Puedo elegir qué modelos participan?
RootNia es agnóstica al modelo y se integra con ChatGPT, Claude, Kimi y otros del mercado. La configuración concreta de cada despliegue se define con el equipo de RootNia durante la implantación.