Propuesta de Machine Learning

Propuesta de Machine Learning

Estado: propuesta (no implementada), 2026‑09‑18. Documento completo: docs/ML-PROPUESTA.md.

El problema

EMMA tiene dos tipos de inteligencia y le falta la tercera:

Tipo	Dónde vive	Limitación
Generativa (LLM)	Gemma local / nube	no aprende del aprendiz: cada turno parte del prompt
Reglas deterministas	políticas de promoción, Leitner, próximo escenario, recomendador	constantes fijas a ojo, iguales para todo aprendiz
Predictiva (ML)	—	falta: nada estima probabilidad de recuerdo, nivel real ni efecto de una recomendación

BOX_INTERVALS_DAYS = {1,2,4,8,16} decide cuándo repasa cada usuario del mundo sin mirar un dato suyo. ML = reemplazar esas constantes por parámetros aprendidos de la propia telemetría, sin salir del dispositivo.

Principios

1. Local‑first también para ML: inferencia y entrenamiento on‑device.
2. El dominio sigue puro: los modelos lineales/logísticos/bayesianos son aritmética que recibe los pesos por argumento; los pesados entran por puerto (MlScorer).
3. Regla antes que modelo (cold start): el ML toma el control solo tras un mínimo de observaciones.
4. ML medible o no entra: baseline de reglas, métrica offline declarada y modo sombra.
5. Determinismo en pruebas: pesos fijos; nada de entrenamiento en el gate.

Las cinco intervenciones

Id	Intervención	Reemplaza	Modelo	Métrica
M1	SRS adaptativo	Leitner de 5 cajas	Half‑Life Regression: p = 2^(−Δt/h), h = exp(θ·x); ~50 parámetros, entrena en ms en un Worker	MAE de vida media y log‑loss vs Leitner
M2	Trazado de conocimiento	barra fija de promoción	Bayesian Knowledge Tracing por categoría de error (4 parámetros por EM)	AUC / log‑loss del acierto siguiente vs conteo
M3	Recomendación	boosts fijos (ERROR_BOOST, PLAN_BOOST, GOAL_BOOST)	contextual bandit (LinUCB / Thompson) acotado al plan de 24 semanas; reasonEs sigue explicable	regret off‑policy vs política fija
M4	Pronunciación real	comparación de strings	Goodness of Pronunciation sobre posteriores de fonema (wav2vec2‑phoneme / Whisper con alineación) en WebGPU	correlación con juicio humano; falsos positivos
M5	Destilación del detector de errores	parte de la gramática silenciosa por LLM	clasificador ligero entrenado con el LLM como oráculo; LLM como fallback de baja confianza	F1 por categoría ≥ 0.85; latencia p95 < 100 ms

Arquitectura

application ──► domain
                ├─ srs/half-life.ts        (M1, puro)
                ├─ progression/bkt.ts      (M2, puro)
                ├─ pathway/bandit.ts       (M3, puro)
                └─ ml/ml-port.ts           (MlScorer, MlWeightsRepository)
infrastructure
                ├─ ml/onnx-scorer.ts        (M4/M5, WebGPU)
                ├─ ml/weights-repository.ts (pesos versionados en el store JSON)
                └─ ml/trainer.worker.ts     (entrenamiento fuera del hilo de UI, al cerrar sesión)

Datos

Fase 0 crea la colección ml_events (append‑only, esquema versionado) con srs_review, turn_error, recommendation_shown, recommendation_taken, pronunciation_attempt. Retención configurable, borrado y export a JSONL por acción del usuario. Arranque en frío: sombra desde el evento 1; control desde 50 repasos (M1) / 200 turnos (M2) / 100 sesiones (M3). Simulador sintético de aprendiz para validar que el entrenador recupera parámetros conocidos.

Evaluación

Nivel	Qué se hace	Activación
Offline	backtest sobre ml_events; baseline = reglas actuales	gana en la métrica declarada
Sombra	predice sin decidir; se registran ambas decisiones	≥ 2 semanas sin degradación
Activo	feature flag por modelo, reversible	métrica de producto no empeora

Métricas de producto: errores/turno por nivel, recuerdo en repasos, sesiones hasta promoción, adherencia al plan.

Fases

F0 datos y flags → F1 HLR → F2 BKT → F3 bandit → F4 GOP → F5 destilación. Cada fase es una feature SDD con TDD sobre dominio puro y gate verde.

Lo que no se propone

Entrenar o afinar el LLM; aprendizaje federado; Deep Knowledge Tracing (sin datos suficientes, un BKT calibrado gana y se explica).