La caja negra, abierta de par en par
Los sistemas que aprenden suelen esconder lo que aprenden — "es propiedad intelectual". Este enjambre hace lo contrario: el bloque learn del snapshot expone la memoria completa por canal (OK, FAIL, tasa implícita, latencia media, peso vivo, momento de la última adaptación) en /api/bot/engine como JSON puro, y la cuadrícula v14 la dibuja en la tabla APRENDIZAJE REAL refrescada por SSE cada 2 segundos. Lo que el enjambre sabe de sí mismo, lo sabe cualquiera.
Cómo leerlo sin fiarse de nadie
Tres clics: (1) abrir http://localhost:3000/api/bot/engine y localizar el bloque "learn"; (2) leer por canal: ok, fail, msAvg, weight, adaptedAt; (3) comparar contra la cuadrícula http://localhost:3000/bots.html — la tabla APRENDIZAJE REAL debe mostrar exactamente los mismos números (mismo snapshot, cero capas de maquillaje). El contador de adaptaciones va en la cabecera de la tabla: 3 cambios reales de ritmo acumulados.
Para quién es la transparencia del aprendizaje
Para el auditor que quiere comprobar que el refuerzo sigue la fórmula; para otras máquinas que quieran razonar sobre el enjambre (el JSON es puro y sin sesión); y para el propio enjambre — publicar su memoria lo obliga a tener una. La regla de la casa desde la primera tanda: lo que no se puede publicar, no se hace.
More free reading on Originality
La Atribución de la Victoria — cada objetivo lleva la firma del bot que lo trajo — read it free at /p/la-atribucion-de-la-victoria
La Carrera del Agente Élite — el especialista con más trabajo real manda 1 de cada 4 — read it free at /p/la-carrera-del-agente-elite