Investigación Aplicada en IA
Convertir las capacidades de los modelos de frontera en arquitecturas prácticas y desplegables.
Investigación
Investigación e Innovación.
Investigación revisada por pares, marcos de trabajo fundamentales y un portafolio de propiedad intelectual en evolución, convertidos en sistemas del mundo real.
De la Investigación a la Realidad
La investigación no debería terminar con la publicación.
En AMRD, la investigación guía la arquitectura, y la arquitectura se convierte en tecnología.
01
Investigación
Explorar enfoques emergentes e ideas fundamentales.
02
Marcos de Trabajo
Estructurar cómo se diseñan y evalúan los sistemas inteligentes.
03
Tecnología
Convertir la investigación en sistemas listos para producción.
04
Impacto
Medir resultados relevantes en entornos del mundo real.
Áreas de Investigación
Trabajo fundamental en sistemas inteligentes.
AMRD invierte en investigación y propiedad intelectual en las capas que hacen que la IA sea confiable en el mundo real.
Inteligencia de Aprendizaje
Sistemas que modelan la alineación cognitiva y resultados de aprendizaje medibles.
IA con Procedencia
Transparencia y trazabilidad integradas en la forma en que se produce la inteligencia.
Agentes Inteligentes
Agentes autónomos y colaborativos fundamentados en conocimiento y contexto.
Sistemas de Conocimiento
Conocimiento estructurado que da a los modelos el contexto para razonar de forma confiable.
Arquitecturas de IA Empresarial
Bases escalables y gobernadas, diseñadas para el uso operativo real.
Publicaciones
Investigación revisada por pares.
Publicaciones y trabajos de investigación seleccionados que abarcan IA aplicada, arquitectura empresarial, sistemas de conocimiento y aprendizaje automático.
Artificial Intelligence & Learning
- 2026
Introducing the Cognitive Learning AI Framework (CLAF): Evaluation dimensions for educational AI as infrastructure
Singh, R., Cotto, J., Yadav, V., & Singh, A. (2026). Introducing the Cognitive Learning AI Framework (CLAF): Evaluation dimensions for educational AI as infrastructure. In Proceedings of AIR-RES 2026.
- 2026
Provenance-aware hybrid NLP–LLM pipelines for educational content generation
Singh, R., Cotto, J., Yadav, V., & Singh, A. (2026). Provenance-aware hybrid NLP–LLM pipelines for educational content generation. In Proceedings of AIR-RES 2026.
- 2026
From infrastructure to impact: Measuring learning outcomes in provenance-aware hybrid NLP–LLM study aids
Singh, R., Cotto, J., Yadav, V., & Singh, A. (2026). From infrastructure to impact: Measuring learning outcomes in provenance-aware hybrid NLP–LLM study aids. In Proceedings of AIR-RES 2026.
- 2025
Hybrid NLP–LLM pipelines for automatic learning content generation
Singh, R., & Cotto, J. (2025). Hybrid NLP–LLM pipelines for automatic learning content generation. In Proceedings of LLM2025.
Enterprise AI & Architecture
- 2026
Mesh of meshes: Event-native convergence of service, data, and agent architectures for AI-ready enterprises
Sigurjonsson, T., & Singh, R. (2026). Mesh of meshes: Event-native convergence of service, data, and agent architectures for AI-ready enterprises. In Proceedings of the International Conference on Software Engineering and Data Engineering (CSCE 2026). Springer Lecture Notes in Networks and Systems.
Knowledge Systems & Data
- 2026
A symbolic-semantic framework for public health surveillance
Yadav, V. S., & Singh, R., Singh, A. (2026). A symbolic-semantic framework for public health surveillance. In Proceedings of the International Conference on Software Engineering and Data Engineering (CSCE 2026). Springer Lecture Notes in Networks and Systems.
- 2026
From data lakes to context lakes: Probabilistic knowledge graphs for autonomous agent memory
Singh, A., Singh, R., & Yadav, V. (2026). From data lakes to context lakes: Probabilistic knowledge graphs for autonomous agent memory. In Proceedings of the International Conference on Software Engineering and Data Engineering (CSCE 2026). Springer Lecture Notes in Networks and Systems.
Machine Learning
- 2026
Machine learning workflow for laboratory variability prediction
Bytyqi, F., & Singh, R. (2026). Machine learning workflow for laboratory variability prediction. In Proceedings of the International Conference on Software Engineering and Data Engineering (CSCE 2026). Springer Lecture Notes in Networks and Systems.
Enterprise Architecture
- 2026
Evaluating TOGAF and E2A frameworks: A quantitative study of enterprise architecture effectiveness
Pacheco, F. L., & Singh, R. (2026). Evaluating TOGAF and E2A frameworks: A quantitative study of enterprise architecture effectiveness. In Proceedings of the International Conference on Information Systems and Technologies (CISTI 2026).
Foundational Research
- 2013
Modeling hierarchical data in SQL databases: Introduction to an efficient development framework
Singh, R., & Clement, K. (2013). Modeling hierarchical data in SQL databases: Introduction to an efficient development framework. In Proceedings of the Software Engineering and Data Engineering Conference (SEDE 2013), Los Angeles, CA.
- 2011
Algorithms for discovering potentially interesting patterns
Singh, R., Johnsten, T., Raghavan, V. V., & Xie, Y. (2011). Algorithms for discovering potentially interesting patterns. International Journal of Granular Computing, Rough Sets and Intelligent Systems, 2(2), 107–122.
- 2011
An efficient approach for discovering interesting patterns from biomedical data
Singh, R., & Yadav, V. (2011). An efficient approach for discovering interesting patterns from biomedical data. In Proceedings of the International Conference on Bioinformatics and Computational Biology (BICoB 2011), New Orleans, LA.
- 2010
Efficient algorithm for discovering potential interesting patterns with closed itemsets
Singh, R., Johnsten, T., Raghavan, V. V., & Xie, Y. (2010). Efficient algorithm for discovering potential interesting patterns with closed itemsets. In Proceedings of the IEEE International Conference on Granular Computing (GrC 2010), San Jose, CA.
- 2009
An efficient algorithm for discovering positive and negative patterns
Singh, R., Johnsten, T., Raghavan, V. V., & Xie, Y. (2009). An efficient algorithm for discovering positive and negative patterns. In Proceedings of the IEEE International Conference on Granular Computing (GrC 2009), Nanchang, China.
Propiedad Intelectual
Un portafolio de PI en evolución.
La investigación y el desarrollo de productos de AMRD se apoyan en un portafolio de propiedad intelectual en evolución que abarca inteligencia de aprendizaje, IA con procedencia, sistemas inteligentes y arquitecturas de IA empresarial.
Aprendizaje Cognitivo e IA con Procedencia
Aprendizaje cognitivo, IA con procedencia y sistemas de evaluación para una inteligencia educativa y de conocimiento confiable.
Evaluación de Fuentes y Control Instruccional
Evaluación de fuentes, generación consciente de conflictos y control instruccional para contenido generado por IA confiable.
Arquitectura de IA Empresarial “Mesh of Meshes”
Arquitectura de IA empresarial que abarca la convergencia de arquitecturas de servicios, datos y agentes.
Determinadas tecnologías son objeto de solicitudes de patente en los Estados Unidos.