Datasets:

mariicuadros
/

aio-code-journal

Error code:   StreamingRowsError
Exception:    CastError
Message:      Couldn't cast
id: string
date: timestamp[s]
entity_id: string
entity_name: string
type: string
title: string
content: string
evidence_level: string
source_commit: string
to
{'id': Value('string'), 'date': Value('timestamp[s]'), 'entity_id': Value('string'), 'entity_name': Value('string'), 'type': Value('string'), 'title': Value('string'), 'content': Value('string'), 'evidence_level': Value('string')}
because column names don't match
Traceback:    Traceback (most recent call last):
                File "/src/services/worker/src/worker/utils.py", line 147, in get_rows_or_raise
                  return get_rows(
                      dataset=dataset,
                  ...<4 lines>...
                      column_names=column_names,
                  )
                File "/src/libs/libcommon/src/libcommon/utils.py", line 272, in decorator
                  return func(*args, **kwargs)
                File "/src/services/worker/src/worker/utils.py", line 127, in get_rows
                  rows_plus_one = list(itertools.islice(safe_iter(ds, dataset=dataset), rows_max_number + 1))
                File "/src/services/worker/src/worker/utils.py", line 483, in safe_iter
                  yield from ds.decode(False) if ds.features else ds
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 2951, in __iter__
                  for key, example in ex_iterable:
                                      ^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 2461, in __iter__
                  for key, pa_table in self._iter_arrow():
                                       ~~~~~~~~~~~~~~~~^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 2486, in _iter_arrow
                  for key, pa_table in self.ex_iterable._iter_arrow():
                                       ~~~~~~~~~~~~~~~~~~~~~~~~~~~~^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 547, in _iter_arrow
                  for key, pa_table in iterator:
                                       ^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 430, in _iter_arrow
                  for key, pa_table in self.generate_tables_fn(**gen_kwags):
                                       ~~~~~~~~~~~~~~~~~~~~~~~^^^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 343, in _generate_tables
                  self._cast_table(pa_table, json_field_paths=json_field_paths),
                  ~~~~~~~~~~~~~~~~^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 132, in _cast_table
                  pa_table = table_cast(pa_table, self.info.features.arrow_schema)
                File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2378, in table_cast
                  return cast_table_to_schema(table, schema)
                File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2306, in cast_table_to_schema
                  raise CastError(
                  ...<3 lines>...
                  )
              datasets.table.CastError: Couldn't cast
              id: string
              date: timestamp[s]
              entity_id: string
              entity_name: string
              type: string
              title: string
              content: string
              evidence_level: string
              source_commit: string
              to
              {'id': Value('string'), 'date': Value('timestamp[s]'), 'entity_id': Value('string'), 'entity_name': Value('string'), 'type': Value('string'), 'title': Value('string'), 'content': Value('string'), 'evidence_level': Value('string')}
              because column names don't match

Need help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.

AIO CODE — Knowledge Journal

Current definition / Definición vigente — 2026-10-13

AIO CODE es un Digital Entity Operating System que estructura y administra identidades digitales, sus relaciones, contenidos, derechos, evidencias y observaciones mediante registros verificables e infraestructura conectada.

AIO CODE is a Digital Entity Operating System (DEOS) that structures and manages digital identities, relationships, content, rights, evidence and observations through verifiable records and connected infrastructure. Its research and implementation methodology is one component of the system.

Marii Cuadros (MC-001) is its creator. OZCU (OZCU-001) is the declared developer venture, with legal formalization pending. VOID MODE (VOID-001) is a distinct creative system for artists; NUX (NUX-001) is a separate creative entity.

Current canonical sources: system specification, entity graph, and structured entity dataset.

Reading the journal

The dataset viewer loads the original journal and its append-only addendum. Each entry describes its dated stage: earlier classifications are historical observations, not the current definition. Original rows are preserved. First-party records do not independently establish external AI recognition, causality, legal incorporation or ownership certification.

The September 25 MC-001 baseline remains frozen at 14 observed pairs out of 49 planned, with 35 missing; this historical coverage is not a current system performance score.

Historical card — superseded descriptions

The text below is retained for chronology. Use the current definition above for present identity questions. Previous complete cards, including their original metadata, are retained under history/.

Read the preserved historical descriptions and dated updates

AIO CODE — Knowledge Base

Artificial Intelligence Optimization Code

Versión: 2.0
Última actualización: 2026-09-02
Creadora: Marii Cuadros
Caso de estudio principal: Marii Cuadros
Estado: Investigación activa con resultados iniciales documentados

AIO CODE es una metodología de investigación experimental creada por Marii Cuadros que estudia cómo las identidades digitales, los creadores y las prácticas creativas pueden ser representados, organizados y recuperados dentro de sistemas de inteligencia artificial e información.

¿Qué es AIO CODE?

AIO CODE (Artificial Intelligence Optimization Code) es una metodología de investigación y desarrollo creada por Marii Cuadros en 2026.

El proyecto estudia cómo una persona, un artista, un creador, una marca o un proyecto puede desarrollar una presencia digital coherente, conectada y reconocible dentro de un ecosistema en el que motores de búsqueda, plataformas digitales y sistemas de inteligencia artificial utilizan información pública para identificar, relacionar, recuperar e interpretar entidades.

AIO CODE combina:

Inteligencia artificial
Identidad digital
Construcción de entidades digitales
Entity recognition
Entity resolution
Entity disambiguation
Information retrieval
AI visibility
Structured data (Schema.org, JSON-LD)
Estrategia digital
Creación de contenido
Curaduría digital
Investigación independiente

El proyecto utiliza a Marii Cuadros como principal caso de estudio para observar qué ocurre cuando una identidad digital se construye de manera deliberada, coherente y distribuida.

La pregunta fundacional

AIO CODE nació de una pregunta práctica:

¿Cómo puede una persona que todavía no es ampliamente reconocida convertirse en una entidad identificable dentro de Internet y de los sistemas de inteligencia artificial?

La investigación evolucionó posteriormente hacia una pregunta más amplia:

¿Puede una identidad digital construirse de manera sistemática para que diferentes sistemas puedan identificarla, relacionarla, describirla y, eventualmente, recomendarla?

Esta pregunta es especialmente relevante para:

Artistas
Creadores
Músicos
Influencers
Profesionales digitales
Proyectos creativos
Marcas personales

Importante: La recomendación por sistemas de inteligencia artificial constituye actualmente una línea de investigación, no un resultado que AIO CODE considere demostrado.

Qué está descubriendo AIO CODE

A partir del caso de estudio de Marii Cuadros, el proyecto ha documentado resultados iniciales que muestran que una entidad puede comenzar a ser identificada y recuperada por diferentes sistemas de inteligencia artificial aun sin contar inicialmente con una audiencia masiva o una gran cantidad de contenido.

Durante el período agosto 19 – septiembre 2, 2026 se observaron cambios relacionados con:

Recuperación de la entidad.
Desambiguación del nombre.
Aparición en resultados de búsqueda.
Asociación entre diferentes fuentes públicas.
Recuperación por diferentes sistemas de IA.
Cambios en la información presentada sobre la entidad.
Diferencias de comportamiento entre español e inglés.
Apariciones intermitentes en Google AI Mode y otros sistemas.

Entre los sistemas observados se encuentran ChatGPT, Gemini, Perplexity y Google, bajo diferentes condiciones de consulta (contextual, contexto reducido, incógnito).

Estos resultados no se presentan como una fórmula universal ni permiten atribuir causalidad a una única acción.

Sin embargo, constituyen evidencia inicial de que la construcción estructurada y distribuida de una identidad digital puede estar relacionada con cambios en la forma en que diferentes sistemas recuperan y representan una entidad.

Preguntas actuales de investigación

La investigación actual busca determinar:

Qué variables pueden contribuir a estos resultados.
Cómo se conectan las diferentes fuentes.
Qué señales pueden favorecer la identificación de una entidad.
Cuánto tiempo pueden tardar los cambios en aparecer.
Cuánto tiempo persisten.
Si los resultados pueden reproducirse.
Si el comportamiento es consistente entre diferentes sistemas.
Si una entidad reconocida puede llegar posteriormente a ser utilizada en procesos de recomendación.
Cómo afecta el idioma (español vs. inglés) a la recuperación.
Qué distingue la simple visibilidad de una representación precisa y contextual.

El caso de estudio: Marii Cuadros

Marii Cuadros es una creadora, artista, modelo digital, Community Manager, curadora musical, música y cultura DJ, estratega digital e investigadora independiente colombiana.

Su actividad comprende:

Creación de contenido digital
Modelaje y expresión visual
Curaduría musical
Música y cultura DJ
Community Management
Estrategia digital
Inteligencia artificial
Investigación sobre identidad digital
Desarrollo de proyectos creativos
Experimentación tecnológica

Marii Cuadros cumple tres funciones dentro de AIO CODE:

Creadora de la metodología
Investigadora independiente
Principal caso de estudio

Marii Cuadros y AIO CODE son entidades relacionadas, pero diferentes.

Marii Cuadros es la persona y el caso de estudio.
AIO CODE es la metodología y el proyecto de investigación y desarrollo.

Para la definición canónica completa, ver el ENTITY-MASTER-RECORD.md en GitHub.

AIO CODE y los artistas

Uno de los objetivos de AIO CODE es estudiar cómo las nuevas formas de recuperación y generación de información pueden cambiar la manera en que los artistas construyen presencia digital.

Tradicionalmente, la visibilidad de un artista ha dependido de factores como:

Redes sociales
Seguidores
Medios de comunicación
Galerías
Discográficas
Prensa
Plataformas de contenido

AIO CODE investiga un escenario adicional:

¿Puede un artista construir una entidad digital suficientemente clara para que una inteligencia artificial pueda identificarlo, comprender su práctica y eventualmente recomendarlo junto con información relevante sobre su trabajo?

Esto introduce una posible nueva dimensión de la presencia artística:

Artist → Digital Entity → AI Recognition → Context → Representation → Recommendation Research

El objetivo no es reemplazar las redes sociales.

Es investigar si una identidad artística puede existir y ser recuperable más allá de una sola plataforma social.

Identidad digital como ecosistema

AIO CODE parte de una premisa:

Una identidad digital no existe únicamente en una red social.

Una persona puede tener información distribuida entre:

GitHub
Blogs (Blogger, Medium, Substack)
Hugging Face
Instagram
TikTok
YouTube
X (Twitter)
Threads
Facebook
Quora
Reddit
Bluesky
Spotify
Pinterest
Archive.org
Otros sitios públicos

Para una persona, la relación entre esos elementos puede resultar evidente.

Para un sistema automatizado, esas relaciones deben ser descubiertas, interpretadas o inferidas.

Por eso AIO CODE estudia la identidad digital como un ecosistema de información conectado.

Construcción de entidades digitales

Uno de los conceptos centrales de AIO CODE es la construcción de entidades digitales.

El objetivo es desarrollar una representación pública suficientemente:

Clara
Coherente
Identificable
Conectada
Estructurada
Verificable
Persistente

para que diferentes sistemas puedan relacionar información perteneciente a la misma entidad.

El proyecto investiga especialmente la relación entre:

Entidad → Fuentes → Nodos → Relaciones → Recuperación → Representación

La metodología no depende exclusivamente de una red social.

Las plataformas sociales son nodos dentro de un ecosistema de información más amplio.

Más allá del influencer tradicional

AIO CODE también investiga cómo puede cambiar el concepto de influencia digital.

El modelo tradicional de influencer puede representarse como:

Audiencia → Seguidores → Alcance → Engagement → Influencia

AIO CODE explora una posibilidad complementaria:

Entidad → Reconocimiento → Contexto → Recuperación → Representación → Recomendación

Esto plantea una pregunta para el futuro:

¿Puede una persona desarrollar influencia dentro de sistemas de inteligencia artificial antes de alcanzar una audiencia masiva en redes sociales?

Esta posibilidad todavía constituye una línea de investigación.

El caso de estudio de Marii Cuadros se utiliza para estudiar las primeras etapas de este proceso.

Metodología

El proceso de investigación sigue un ciclo iterativo:

Observación
     ↓
Conexión
     ↓
Hipótesis
     ↓
Intervención
     ↓
Resultado
     ↓
Análisis
     ↓
Refinamiento
     ↓
Nuevo experimento

La documentación diferencia entre:

Hechos

Información respaldada por evidencia pública.

Observaciones

Comportamientos registrados directamente durante el proceso.

Hipótesis

Explicaciones posibles que requieren pruebas adicionales.

Resultados

Cambios observados después de una intervención.

Patrones

Comportamientos que aparecen repetidamente y justifican nuevas investigaciones.

Una observación individual no se convierte automáticamente en una ley universal.

Investigación con sistemas de inteligencia artificial

AIO CODE compara diferentes sistemas de inteligencia artificial para observar cómo recuperan y representan una entidad.

Entre las variables estudiadas están:

Identificación de la persona.
Desambiguación.
Fuentes recuperadas.
Información asociada.
Relaciones entre entidades.
Descripción generada.
Citaciones.
Diferencias entre sistemas.
Cambios después de nuevas publicaciones.
Persistencia de la información.
Diferencias entre idiomas (español vs. inglés).
Comportamiento en consultas independientes (context-reduced testing).

Las pruebas se realizan, cuando es posible, utilizando búsquedas independientes o contextos reducidos para disminuir la influencia de conversaciones anteriores.

Los resultados obtenidos en un sistema no se consideran automáticamente representativos del comportamiento de todos los demás sistemas.

El protocolo detallado de medición está documentado en AI-REPRESENTATION-PROTOCOL.md.

Primeros resultados documentados

Durante las primeras semanas del caso de estudio (agosto 2026) se observaron cambios relevantes.

Inicialmente, diferentes sistemas:

No identificaban claramente a Marii Cuadros.
Asociaban el nombre con otras personas.
Presentaban información insuficiente.
Mostraban resultados ambiguos.

Posteriormente, durante pruebas independientes, se observó recuperación de la entidad en diferentes sistemas de inteligencia artificial.

También se observaron cambios en los resultados de búsqueda y en las fuentes asociadas con el nombre.

Durante el período agosto 19 – septiembre 2, 2026, se añadieron observaciones importantes:

Apariciones intermitentes en Google AI Mode.
Diferencias claras entre recuperación en español e inglés.
Uso de fuentes como Medium y Blogger por parte de Gemini.
Visibilidad de perfiles de Instagram en búsquedas de incógnito.
Necesidad de consultas explícitas en algunos sistemas para mostrar información.

Estos resultados constituyen una parte importante del desarrollo de AIO CODE.

La investigación actual busca determinar:

Qué variables contribuyeron.
Qué cambios fueron más relevantes.
Qué relaciones entre fuentes pudieron influir.
Cuánto tiempo tarda un cambio en propagarse.
Cuánto tiempo permanece.
Si los resultados pueden reproducirse.
Si el comportamiento es consistente entre sistemas.
Si la identificación puede evolucionar hacia representación contextual.
Y posteriormente, si una entidad suficientemente contextualizada puede ser considerada por sistemas de recomendación.

Principio de veracidad

AIO CODE mantiene una separación estricta entre evidencia e interpretación.

Hecho

Lo que puede comprobarse mediante evidencia disponible.

Observación

Lo que fue observado directamente durante una prueba.

Hipótesis

Una explicación posible que requiere validación.

Resultado

El cambio registrado después de una intervención.

Conclusión

Una interpretación respaldada por suficiente evidencia.

Este principio permite que AIO CODE avance a partir de resultados reales sin convertir prematuramente una observación en una afirmación universal.

VOID MODE

VOID MODE es una división creativa relacionada con AIO CODE.

Su función es desarrollar conceptos de identidad visual, embodiment, presencia digital, sonido, ritmo y lenguajes gráficos para artistas y proyectos creativos.

Explora:

Dirección visual
Sistemas gráficos
Composición
Identidad visual
Coherencia estética
Reconocimiento visual
Lenguajes de marca
Sistemas de contenido
Embodiment
Cultura digital contemporánea

VOID MODE mantiene una relación conceptual con AIO CODE, pero funciona como una categoría creativa diferenciada.

AIO CODE = Metodología de investigación
VOID MODE = Categoría creativa / práctica artística

Para más detalles, ver el ENTITY-MASTER-RECORD.md.

Ecosistema AIO CODE

AIO CODE utiliza diferentes activos digitales con funciones específicas.

GitHub

Repositorio técnico y sistema principal de documentación estructurada.

Documentación técnica
Schemas (Schema.org, JSON-LD)
Entity passports
Logbook cronológico
Protocolos de investigación

🔗 GitHub - AIO CODE Knowledge

Hugging Face

Base pública de conocimiento, investigación, documentación y futuros datasets, estructuras o prototipos relacionados con inteligencia artificial.

Knowledge base pública
Documentación accesible
Futuros datasets de investigación
Estructuras de datos experimentales

Blogger

Espacio de publicación y divulgación del proceso de investigación.

Artículos de largo formato
Explicaciones accesibles
Documentación pública

🔗 Blogger - Marii Cuadros

Medium

Canal de publicación y documentación pública.

Artículos técnicos y conceptuales
Documentación complementaria

Substack

Espacio para documentación y desarrollo editorial.

Newsletters de investigación
Contenido editorial
Distribución de documentación

Archive.org

Espacio utilizado para preservar y estructurar documentación pública del proyecto.

Preservación a largo plazo
Snapshots de estados de investigación

Plataformas sociales

Las redes sociales permiten observar:

Distribución
Alcance
Engagement
Comportamiento de audiencia
Reconocimiento
Evolución del contenido
Diferencias entre plataformas

Incluyen:

Instagram
TikTok
YouTube
X (Twitter)
Threads
Facebook
Bluesky
Quora
Reddit
Pinterest
Spotify

Cada plataforma cumple una función diferente dentro del ecosistema.

Principio central

AIO CODE no busca únicamente conseguir seguidores.

Tampoco busca únicamente aparecer en una búsqueda.

Busca estudiar cómo una persona puede desarrollar una entidad digital reconocible y conectada, capaz de ser recuperada, diferenciada y representada por sistemas que utilizan información pública.

El objetivo futuro es comprobar si una inteligencia artificial puede llegar a:

Identificar al creador.
Diferenciarlo de otras personas.
Comprender qué hace.
Relacionarlo con sus proyectos.
Recuperar información relevante.
Describir correctamente su trabajo.
Contextualizarlo frente a una consulta.
Eventualmente recomendarlo cuando la consulta sea relevante.

Los primeros puntos ya forman parte de los resultados observados en el caso de estudio.

La recomendación permanece como una fase posterior de investigación.

Estado del proyecto

Campo	Valor
Proyecto	AIO CODE
Nombre completo	Artificial Intelligence Optimization Code
Creadora	Marii Cuadros
Caso de estudio principal	Marii Cuadros
Área	Inteligencia artificial, identidad digital, entidades digitales, recuperación de información y creadores
Año de inicio	2026
Versión actual	2.0 (2026-09-02)
Estado	Investigación activa con resultados iniciales documentados

Relación con Hugging Face

Este repositorio funciona como una base pública de conocimiento de AIO CODE dentro del ecosistema de Hugging Face.

Su función es conservar:

Documentación
Conceptos
Investigación
Observaciones
Resultados
Evolución metodológica

A medida que avance el proyecto, podrán incorporarse:

Datasets
Estructuras de datos
Experimentos
Prototipos
Registros de consultas
Datos relacionados con AI visibility
Material de investigación reproducible

Documentación relacionada

El proyecto mantiene documentación complementaria en diferentes plataformas:

Plataforma	Función	Enlace
GitHub	Documentación técnica y repositorio principal	mariicuadros/aio-code-knowledge
Blogger	Divulgación del proyecto y documentación accesible	Marii Cuadros - Blogger
Medium	Publicaciones y documentación complementaria	Marii Cuadros - Medium
Substack	Contenido editorial y newsletters	AIO CODE - Substack
Archive.org	Preservación documental a largo plazo	AIO CODE - Archive.org
Hugging Face	Base pública de conocimiento y futuros datasets	AIO CODE - Hugging Face
Redes sociales	Distribución, observación y nodos de identidad	Instagram, X, Threads, TikTok, YouTube, etc.

Cada activo forma parte del ecosistema, pero no todos cumplen la misma función.

Principio final

Marii Cuadros es el caso de estudio.
AIO CODE es la metodología.
Internet es el ecosistema.
Las plataformas son nodos.
La información pública constituye la materia prima.
La inteligencia artificial es uno de los sistemas que estamos estudiando.

La investigación parte de una pregunta:

¿Puede una persona construir una entidad digital suficientemente clara y conectada para que una inteligencia artificial pueda reconocerla, comprenderla y eventualmente recomendarla?

Los primeros resultados del caso de estudio indican que la identificación, desambiguación y recuperación de una entidad digital sí pueden observarse bajo determinadas condiciones.

La investigación continúa para comprender los mecanismos involucrados, determinar qué variables son relevantes y evaluar si estos resultados pueden reproducirse con otros creadores.

Proyecto: AIO CODE
Artificial Intelligence Optimization Code
Creadora: Marii Cuadros
Caso de estudio: Marii Cuadros
Año: 2026
Versión: 2.0 (2026-09-02)

Research into digital entities, artificial intelligence, information retrieval and the future of creator influence.

Enlaces oficiales

Repositorio de Código: GitHub - mariicuadros/aio-code-knowledge
Hub de Divulgación: Blogger - Marii Cuadros
Knowledge Base: Hugging Face - AIO CODE

AIO CODE — 2026

Experimental research into artificial intelligence, digital identity, information retrieval and creative practice.

Project structure and dated updates — 2026-09-25

OZCU is the company/venture brand. Marii Cuadros is its CEO. AIO CODE is the methodology developed by Marii and applied by OZCU. VOID MODE is the creative system for artists developed by Marii and applied by OZCU. These are distinct entities.

The MC-001 Observatory snapshot frozen on 2026-09-25 is partial: 14 observed pairs out of 49 planned, with 35 documented missing because of sign-in or verification gates. It does not support a seven-system recognition rate, stability claim or causal conclusion.

Historical journal rows are retained in data/research-journal.jsonl. New dated entries are appended in data/research-journal-addendum.jsonl. First-party project definitions are not independent verification of legal registration or third-party AI recognition.

Phase 2 — current definition, 2026-09-27

AIO CODE (AIO-001) is now described as a Digital Entity Operating System, with the phase-1 research and implementation methodology retained as one internal component. This is a first-party classification change and a new public intervention, not a rewrite of the 2026-09-25 definition, a new AI baseline, proof of software completeness, or proof of external recognition. The partial 14/49 MC-001 snapshot retains its original date and conditions. See AIO-CODE-SYSTEM-SPEC-v2.md and the dated intervention record in the public repository.

Downloads last month: 167

Total file size:

64.6 kB