Sistemas de Decisión Adaptativa con Bandido Contextual Autoalojado en Rust: Syntra y Lycan

Dos nuevos proyectos de código abierto buscan llevar la funcionalidad de bandido contextual a sistemas de producción sin un stack de Python para ML. Lycan es un pequeño lenguaje de ejecución de grafos donde los nodos de estrategia son una primitiva de primera clase: defines múltiples implementaciones del mismo contrato, y el runtime aprende pesos a partir de la retroalimentación de resultados. Compila a un grafo binario ejecutado por un runtime en Rust sin LLM en la ruta crítica.

Syntra es un aparato Docker/API autoalojado que sirve cápsulas Lycan compiladas. Características clave:

• Diseño multiinquilino con modo sombra como primera opción
• Aprendizaje contextual por contextKey
• Almacenamiento persistente en sistema de archivos
• Registros separados de auditoría, decisiones y retroalimentación
• Capa de autoría en YAML para MVP (sin necesidad de escribir el Lisp subyacente)

Los casos de uso declarados: decisiones repetitivas donde la mejor opción depende del contexto y el resultado llega después — enrutamiento de modelos LLM, política de reintentos/tiempos de espera, selección de colas, ajuste de umbrales.

Las pruebas internas contra MoEFolio.ai (un panel público de debate bursátil con IA con resultados resueltos por el mercado a 30 días) revelaron la primera sorpresa: el esquema de contextKey colapsaba todos los sectores en unknown porque la búsqueda de sectores solo resolvía símbolos de una de tres rutas de entrada. El bandido era nominalmente de 5 dimensiones, pero efectivamente de 2, aprendiendo un promedio entre sectores. Arreglar el pipeline de datos, no el algoritmo, es la mayor parte del trabajo en sistemas adaptativos.

Licencia Apache-2.0, etapa muy temprana. El autor invita miradas de cualquiera que haya trabajado con bandidos en producción.