{
  "results": [
    {
      "id": "vision_defects_edge",
      "title": "Control visual de piezas en una línea de fabricación",
      "input_type": "image_grid",
      "deployment": "edge_gpu",
      "recommendation": "CNN",
      "candidates": [
        {
          "name": "CNN",
          "why": "la entrada tiene estructura de rejilla y patrones locales",
          "rough_params_first_conv": 896,
          "activation_cells_first_map": 1605632
        },
        {
          "name": "Vision Transformer",
          "why": "posible si hay muchos datos y GPU, pero suele ser más caro al inicio",
          "rough_attention_cells_if_196_patches": 38416
        }
      ],
      "risks": [],
      "valid_for_first_experiment": true
    },
    {
      "id": "maintenance_sensor",
      "title": "Predicción de fallo con señales de sensores",
      "input_type": "time_series",
      "deployment": "edge_cpu",
      "recommendation": "LSTM/GRU o 1D CNN temporal",
      "candidates": [
        {
          "name": "LSTM/GRU",
          "why": "la secuencia es corta y el despliegue edge penaliza atención cuadrática",
          "rough_lstm_params": 19712
        },
        {
          "name": "1D CNN temporal",
          "why": "buena alternativa si importan patrones locales y latencia baja"
        }
      ],
      "risks": [],
      "valid_for_first_experiment": true
    },
    {
      "id": "support_ticket_short_text",
      "title": "Clasificación de tickets de soporte cortos",
      "input_type": "text_sequence",
      "deployment": "cloud_cpu",
      "recommendation": "Embedding + clasificador, comparado contra Transformer pequeño",
      "candidates": [
        {
          "name": "Embedding + clasificador lineal",
          "why": "para texto corto y pocas clases puede bastar antes de usar un LLM",
          "tokens": 160
        },
        {
          "name": "Transformer pequeño",
          "why": "útil si el orden y el contexto completo cambian la etiqueta",
          "attention_cells": 25600,
          "rough_small_transformer_params": 3145728
        }
      ],
      "risks": [],
      "valid_for_first_experiment": true
    },
    {
      "id": "legal_contract_review",
      "title": "Revisión de contratos largos con referencias cruzadas",
      "input_type": "long_text",
      "deployment": "cloud_gpu",
      "recommendation": "Transformer con RAG o chunking",
      "candidates": [
        {
          "name": "Transformer con RAG/chunking",
          "why": "el texto largo exige recuperar o trocear antes de pasar todo al contexto",
          "attention_cells_full_context": 144000000,
          "rough_small_transformer_params": 3145728
        },
        {
          "name": "Clasificador por recuperación de fragmentos",
          "why": "si hay pocos ejemplos, conviene recuperar pasajes relevantes y clasificar sobre evidencias antes de entrenar"
        }
      ],
      "risks": [
        "pocos_ejemplos_para_deep_learning",
        "atencion_cuadratica_cara"
      ],
      "valid_for_first_experiment": true
    }
  ],
  "invalid": []
}