ZENIN — Unified Machine Learning Engine

Motor de Machine Learning unificado para inferencia en series temporales, detección de anomalías y control estocástico. Emplea una arquitectura Mixture of Experts (MoE) gobernada por Rosa Roja como motor cabeza y árbitro de consenso.

---

🏛️ Arquitectura

                        ┌─────────────────────────────────────────┐
                        │      ROSA ROJA (MoE Master Head)        │
                        │  • M1: Filtro Mahalanobis (Outliers)    │
                        │  • M2: Generador de Trayectorias Ritmo  │
                        │  • M3: Gating Multiplicativo & Veto     │
                        └────────────────────┬────────────────────┘
                                             │ Consenso & Veto
                 ┌───────────────────────────┼───────────────────────────┐
                 ▼                           ▼                           ▼
        ┌─────────────────┐         ┌─────────────────┐         ┌─────────────────┐
        │     KALMAN      │         │     TAYLOR      │         │   STATISTICAL   │
        │ 2D CV Kinematic │         │ High-Order Poly │         │ Exp Smoothing & │
        │ Noise Filtering │         │ Fast Local Extr │         │ Drift Analysis  │
        └─────────────────┘         └─────────────────┘         └─────────────────┘
                                             │
                                             ▼
                               ┌───────────────────────────┐
                               │     PredictionResult      │
                               │      / ExecutionPlan      │
                               └─────────────┬─────────────┘
                                             │
                      ┌──────────────────────┴──────────────────────┐
                      ▼                                             ▼
       ┌──────────────────────────────┐              ┌──────────────────────────────┐
       │     SERIES TEMPORALES / IoT  │              │    TELEMETRÍA & MONITOREO   │
       │ • Ingesta de sensores        │              │ • Streaming WS (Port 8765)   │
       │ • Detección de drift         │              │ • Zenin-TUI Dashboard        │
       └──────────────┬───────────────┘              └──────────────────────────────┘
                      │
                      ▼
       ┌────────────────────────────────────────────────────────────┐
       │             BUCLE METACONGNITIVO & META-APRENDIZAJE         │
       │  • PostMortemEvaluator: Auditoría y Credit Assignment      │
       │  • FailureTaxonomy: Diagnóstico Causal de Fallos           │
       │  • MetacognitiveTracker: Cuantificación de Auto-Ceguera Ω_t│
       │  • RegimePlasticityManager: Pesos dinámicos y Breakers     │
       └────────────────────────────────────────────────────────────┘

---

⚡ Ecuación Maestra y Metacognición

Rosa Roja modula la confianza y la toma de decisiones mediante inferencia activa bayesiana:

$$\Phi_{\text{MoE}} = \Phi_{\text{base}} \cdot \Big(1 - \lambda_t \cdot (1 - \Phi_{\text{ritmo}})\Big)$$

• $\Phi_{\text{base}}$: Consenso ponderado del jurado interno (Kalman, Taylor, Estadístico).
• $\Phi_{\text{ritmo}}$: Coherencia dinámica calculada sobre trayectorias temporales (11 a 15 pasos).
• $\lambda_t \in [0, 1]$: Factor bayesiano de incertidumbre y exploración. Modulado dinámicamente por el Índice de Meta-Competencia ($\Omega_t$): $$\lambda_t \leftarrow \max(\lambda_t, 1 - \Omega_t)$$ Si el sistema detecta ceguera sistémica (todos los expertos fallando correlacionadamente en el régimen actual), $\Omega_t \to 0$ forzando $\lambda_t \to 1$ y abstención inmediata (HOLD).
• Veto Estocástico: Si un experto crítico discrepa o Mahalanobis detecta cambio de régimen, Rosa Roja suspende la acción.
• Plasticidad por Régimen: Los pesos de los expertos se ajustan continuamente según su pérdida exponencial en cada contexto: $w_i \propto \exp(-\eta \cdot \text{Loss}_i)$.

---

📁 Estructura del Proyecto

• domain/: Entidades puras y modelos de dominio (series temporales, ventanas, anomalías, cognición). Aislado de infraestructura.
  • domain/entities/cognitive/: Taxonomía de fallos (failure_taxonomy.py), evaluador post-mortem (post_mortem_evaluator.py) y tracker de meta-competencia (metacognitive_tracker.py).
• infrastructure/ml/engines/:
  • rosa_roja/: Motor cabeza MoE (RosaRojaMoEEngine) y suite algorítmica (algorithms/).
  • kalman/, taylor/, statistical/: Motores matemáticos especializados del jurado.
• infrastructure/ml/cognitive/:
  • plasticity/: Gestor de plasticidad y circuit-breakers por régimen (regime_plasticity_manager.py).
  • metacognitive_coordinator.py: Orquestador central del bucle de retroalimentación metacognitivo.
• infrastructure/ml/moe/: Despacho y registro de Mixture of Experts (RosaRojaExpert, adaptadores).
• infrastructure/adapters/: Adaptadores de entrada y salida (sensores, Binance Futures WebSocket, telemetría).
• zenin-tui/: Interfaz de terminal interactiva (Ink/TypeScript) para monitoreo en tiempo real vía WebSocket.

---

🚀 Inicio Rápido

Instalación

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Ejecución de Tests

# Tests unitarios del núcleo MoE y Rosa Roja
PYTHONPATH=. pytest tests/unit/rosa_roja/ tests/unit/moe/ tests/integration/test_moe_multi_expert_consensus.py

# Tests del sistema metacognitivo y meta-aprendizaje
PYTHONPATH=. pytest tests/unit/cognitive/test_metacognitive_system.py

# Tests de adaptadores de series temporales
PYTHONPATH=. pytest tests/test_iot_adapter.py

---

🛡️ Reglas Arquitectónicas

1. Aislamiento de Dominio: domain/ no puede importar nada de infrastructure/.
2. Modularidad: Límite estricto de < 180 líneas de código por archivo.
3. Persistencia e Independencia: Cada dominio mantiene su almacenamiento y esquemas desacoplados.