Cómo funciona realmente DeepMap AI.
Sin cajas negras. Esta página recorre el flujo completo, desde la ingesta de datos geofísicos crudos, pasando por el Tensor del Estado de la Tierra de 18,000+ dimensiones, hasta el libro mayor que fija cada predicción a una cadena de hashes a prueba de manipulación. Nuestra vigilancia pública de 7 días usa cómo se agrupan los sismos; el tensor y sus clasificadores son investigación, probada a la vista.
El flujo completo, de principio a fin
Cinco etapas, cada una construida con datos públicos + física revisada por pares.
Por qué no citamos cifras de exactitud
AUC explicado para humanos.
Quizá veas AUC (área bajo la curva ROC) en artículos de aprendizaje automático: una métrica estándar de qué tan bien un modelo ordena los eventos por encima de los no eventos, donde 0.5 es una moneda al aire y 1.0 es un orden perfecto. No es una cifra de exactitud. Ya no citamos cifras de AUC ni de tasa de acierto para nuestros clasificadores.
Por qué no: la mayoría de los modelos de nuestra población de modelos guardados resultaron puntuar bien por construcción y no por destreza, y una tasa de acierto en ventanas de pronóstico amplias mide sobre todo cobertura, no destreza. Un número que favorece a un modelo es peor que ningún número.
El método de validación es LOOCV (validación cruzada dejando uno fuera), y en julio de 2026 comprobamos que favorece a este modelo en particular. Volvimos a probar el clasificador sísmico por región con un holdout temporal, entrenar solo con datos anteriores y evaluar solo con datos posteriores, y su puntaje cayó al azar. La causa es que nuestras instantáneas del tensor están separadas por 15 minutos y llevan una etiqueta prospectiva de 7 días, así que una muestra apartada al azar tiene vecinos casi idénticos en el conjunto de entrenamiento con la misma etiqueta. Los pliegues aleatorios no pueden separarlos; una división temporal sí. Lo publicamos porque es justo el tipo de cosa que un lector no debería tener que descubrir por nosotros.
El círculo virtuoso
Por qué los modelos se reentrenan cada semana.
La mayoría de los sistemas de aprendizaje automático se lanzan una vez y se degradan. DeepMap AI está construido como un círculo virtuoso: cada resultado confirmado se convierte en una nueva muestra de entrenamiento etiquetada, y todo el sistema se reentrena con ella.
Verificación
Cada afirmación de este sitio, reproducible.
Dos maneras de verificar de forma independiente cualquier número que publicamos:
sha256_hash. La cadena misma se puede consultar en /api/v1/ledger/integrity. Reescribir cualquier renglón rompería todos los hashes posteriores. Pruébalo →
Consejo asesor científico
Las personas que nos mantienen honestos.
Expertos independientes en la materia que revisan nuestros métodos, cuestionan nuestras afirmaciones y exigen a la plataforma el rigor estándar de cada disciplina. Reclutamiento activo de tres asesores fundadores: sismología, hidrología de isótopos y riesgo cuantitativo de reaseguro.
Compensación del consejo: una participación accionaria modesta (DeepMap AI Inc., Wyoming). Consolidación típica: 18-24 meses con un periodo inicial (cliff) de 6 meses. Sin restricciones de publicación; alentamos a los asesores a publicar sus propias reseñas.
Para científicos e investigadores
Trae tu propio evento y pon a prueba el flujo.
Crea una cuenta gratuita para obtener acceso programático al libro mayor, al flujo de eigenmodos del tensor y al canal de la compuerta de convergencia. Consulta predicciones históricas por región, por confianza, por tipo de riesgo. Reproduce nuestros retro-análisis contra tu propia lista de eventos.
Cuenta gratuita para investigadores Documentación de la API