Academic Bio
Dr. Christian E. Maldonado-Sifuentes is a researcher in Artificial General Intelligence and Natural Language Processing using a neurosymbolic approach with focus on knowledge representation, hyperontologies, and linguistically grounded AI. His work explores how multi-layered, dynamic ontological structures can integrate symbolic, statistical, and cultural knowledge to support semantic reasoning across domains.
His frontier research addresses proto-AGI architectures, studying the convergence of large language models, symbolic reasoning, and cognitive principles—including the application of Minsky’s Society of Mind paradigm through neurosymbolic agent-based systems—toward generalizable and ethically aligned intelligence. This work is closely aligned with GreenAGI, where ontology-driven reasoning enables the use of low-parameter LLMs, reducing computational cost and CO2 emissions while preserving semantic depth and reasoning capabilities.
His applied research includes NLP and ML solutions for health, information retrieval, and social data analysis, with a strong emphasis on low-resource and indigenous languages, promoting culturally respectful AI and sustainable AI development.
Biografía Académica
El Dr. Christian E. Maldonado-Sifuentes es investigador en Inteligencia Artificial General y Procesamiento de Lenguaje Natural, bajo un enfoque neurosimbólico centrado en la representación del conocimiento, hiperontologías e IA con fundamento lingüístico. Su trabajo explora cómo estructuras ontológicas dinámicas pueden integrar conocimiento simbólico, estadístico y cultural para sostener el razonamiento semántico entre dominios.
Su investigación de frontera aborda arquitecturas proto-AGI, estudiando la convergencia de modelos de lenguaje a gran escala, razonamiento simbólico y principios cognitivos—incluyendo la aplicación del paradigma de la Sociedad de la Mente de Minsky mediante sistemas de agentes neurosimbólicos—hacia una inteligencia generalizable y alineada éticamente. Esta línea se articula con GreenAGI, donde el razonamiento guiado por ontologías permite utilizar LLMs de pocos parámetros, reduciendo el costo computacional y las emisiones de CO2.
Su investigación aplicada incluye soluciones de PLN y ML para salud, recuperación de información y análisis de datos sociales, con un énfasis marcado en lenguas de bajos recursos y lenguas indígenas, promoviendo una IA culturalmente respetuosa y el desarrollo sostenible de la IA.