Método
Artabel mide antes de construir y otra vez antes de entregar: una línea de base tomada del método actual, una referencia que refleja la tarea real, un análisis de errores ponderado por sus consecuencias y una revisión por personas cualificadas para juzgar el resultado.
Divulgación
El Dr. Ludovic Amruthalingam, director de Artabel, trabaja además como investigador sénior y docente en la Universidad de Ciencias Aplicadas de Lucerna (HSLU). Ese puesto es suyo. No es un recurso de Artabel: la empresa no vende el personal ni las instalaciones de la universidad, no los factura y no presenta los proyectos universitarios como entregas de Artabel.
Sus publicaciones y proyectos académicos figuran en su perfil universitario y en ORCID. Cuando Artabel y la universidad son ambas socias de un consorcio de investigación, cada una es una entidad jurídica distinta, con sus propias tareas, esfuerzos y registros de coste.
Transferencia de método
Ni personal ni instalaciones — método. Cuatro líneas concretas van de la investigación revisada por pares a una técnica que aplica nuestro equipo de ingeniería y, de ahí, a algo que el cliente recibe.
Trayectoria académica del director
El director de Artabel investiga en el ámbito académico sobre evaluación y calidad de datos, con financiación competitiva del Fondo Nacional Suizo e Innosuisse. Esa investigación se realiza en la universidad y le pertenece; figura aquí porque es el origen de los métodos que Artabel aplica, no como trabajo entregado por la empresa.
Evaluación y comparación humano–máquina
Investigación sobre representaciones aprendidas, comportamiento diagnóstico y rendimiento comparado de clínicos y modelos, con financiación nacional competitiva. De ahí proceden los protocolos de evaluación de Artabel: líneas de base capaces de superar al sistema, análisis de errores por gravedad y revisión por profesionales cualificados.
Calidad de datos y datos sintéticos
Trabajo sobre auditoría de calidad de datos y sobre métricas y referencias para datos sintéticos. Detrás de la práctica de Artabel de auditar un conjunto de datos antes de modelarlo y de fijar criterios de aceptación medibles antes de empezar.
Flujos de documentación profesional
Reconocimiento de voz combinado con métodos generativos para producir documentación profesional estructurada que una persona cualificada revisa y firma. Es el patrón de gobernanza que Artabel reutiliza siempre que una máquina redacta algo de lo que responde un profesional.
Patrimonio cultural y mediación
Proyectos universitarios de mediación para públicos de museo, entre ellos el acceso conversacional anclado en fuentes a un edificio histórico de un museo al aire libre, y trabajos anteriores sobre métodos generativos aplicados a la música tradicional y a dispositivos destinados al público. Demuestran que una IA comprensible y anclada resiste el contacto con visitantes reales.
Son proyectos universitarios. La lista completa y de referencia está en el perfil universitario.
Historial de publicaciones
Diecinueve publicaciones, 165 citas, índice h de 8, índice i10 de 6. Selección a continuación; la lista completa está en ORCID y Google Scholar.
Gröger F., Lionetti S., Gottfrois P., Gonzalez-Jimenez A., Amruthalingam L., Groh M., et al. Advances in Neural Information Processing Systems 37, 92273–92316. Uso de representaciones autosupervisadas para encontrar los problemas de calidad de datos que limitan en silencio el rendimiento de los modelos.
El primer protocolo de referencia a gran escala para la limpieza de datos en el dominio de la imagen, construido sobre el conjunto dermatológico Fitzpatrick17k, que evalúa la detección de muestras fuera de tema, casi duplicados y errores de etiquetado. Conclusión: las representaciones autosupervisadas destacan en casi duplicados, los métodos clásicos siguen siendo competitivos en fuera de tema con presupuesto de revisión limitado, y la detección de errores de etiquetado en clasificación médica fina sigue abierta.
Amruthalingam L., et al. Journal of the European Academy of Dermatology and Venereology. La mayoría de afecciones cutáneas tienen zonas de predilección, de modo que localizar con precisión una lesión apoya el diagnóstico diferencial — un caso ejemplar de incorporar el razonamiento clínico dentro de un modelo de visión y no alrededor de él.
Meienberger N., Anzengruber F., Amruthalingam L., Christen R., Koller T., et al. El artículo más citado del historial y el origen de nuestra posición: un modelo debe eliminar la varianza entre observadores, no añadir una fuente nueva.
Gottfrois P., Grüger F., et al., con Amruthalingam L. International Conference on Medical Image Computing and Computer-Assisted Intervention. Trabajo de datos y método sobre la brecha de cobertura poblacional que vuelve inseguros a muchos modelos dermatológicos fuera de la población con la que se entrenaron.
La referencia práctica desde la que trabajamos cuando un cliente tiene el problema clínico pero no el conjunto de datos — y la razón por la que nuestra primera respuesta rara vez es «generemos más datos».
Translational Vision Science & Technology. Modelización multimodal de biomarcadores fuera de la imagen, con el profesor David Goldblum.
Healthcare Informatics Research. Contar y caracterizar lesiones con una granularidad que el personal clínico puede contrastar con su propia lectura.
Universidad de Basilea. La tesis defendida — que una IA clínica creíble o incorpora el flujo de trabajo del dermatólogo o produce predicciones que un clínico puede verificar fácilmente — es el principio de diseño de todo lo que Artabel construye para profesionales.
Ciencia abierta
En proyectos de investigación aportamos protocolos y especificaciones abiertos, pruebas no sensibles, publicaciones y la comunicación de casos negativos. En trabajo comercial respetamos la confidencialidad de forma absoluta — pero los métodos siguen siendo publicables, y eso es deliberado.