Investigación Anomalías en datos industriales: el nuevo método que no necesita datos limpios para entrenar
Una investigación del Instituto Mila-Québec desarrolla un modelo de IA que detecta fallas en sensores, señales médicas y redes sin requerir datos de entrenamiento etiquetados ni libres de ruido. Implicaciones para industrias latinoamericanas con datos limitados.
La mayoría de los sistemas de detección de anomalías en series temporales funcionan bien en laboratorio pero fallan en la práctica. El motivo es simple: asumen que los datos de entrenamiento están limpios, sin anomalías. En el mundo real, sensores industriales, registros de red o señales clínicas llegan contaminados con fallas, ruido o eventos anómalos que el modelo confunde con lo normal.
Thi Kieu Khanh Ho, investigadora del Departamento de Ingeniería Eléctrica y de Computación de la Universidad McGill y del Instituto Mila-Québec de IA, ha dedicado su doctorado a resolver ese problema concreto. Su trabajo, reconocido en conferencias como AAAI, UAI y WACV, propone un enfoque basado en grafos y aprendizaje auto-supervisado que no necesita grandes volúmenes de datos etiquetados ni asume que el entrenamiento está libre de anomalías.
El desafío real: datos contaminados
En la práctica, los conjuntos de entrenamiento de series temporales casi siempre contienen anomalías no etiquetadas. Un sensor de vibración en una turbina puede registrar una falla incipiente durante semanas antes de que alguien la marque. Una señal de electroencefalograma (EEG) puede incluir episodios epilépticos no identificados. Los algoritmos tradicionales tratan esos eventos como normales, lo que reduce su capacidad de detectar futuras fallas.
Ho desarrolló TSAD-C, un marco de tres módulos presentado en la Conferencia sobre Incertidumbre en Inteligencia Artificial (UAI) 2025. El primero, un "Decontaminador", rectifica las anomalías presentes en el entrenamiento sin necesidad de etiquetas. El segundo modela dependencias intra e inter-variable a largo plazo usando grafos espacio-temporales. El tercero asigna puntuaciones de anomalía combinando la información de los dos anteriores. En experimentos con cuatro conjuntos de datos diversos y desafiantes, TSAD-C superó a los métodos existentes y estableció un nuevo estado del arte.
Además, Ho contribuyó con dos encuestas exhaustivas: una sobre aprendizaje auto-supervisado para detección de anomalías (publicada en Neural Networks) y otra sobre detección de anomalías en series temporales basada en grafos (en IEEE TPAMI). Ambas funcionan como mapas del campo: muestran dónde estamos, cuáles son los problemas abiertos y hacia dónde van las direcciones más prometedoras.
Lo que significa para empresas en América Latina
Para un ejecutivo de una planta minera en Chile, una refinería en México o una red de sensores de cultivos en Brasil, la implicación es directa: poder implementar sistemas de monitoreo predictivo sin tener que invertir en costosos procesos de limpieza y etiquetado de datos históricos. Muchas operaciones industriales en la región acumulan años de registros de sensores, pero sin anotaciones de fallas. Los métodos de Ho permiten aprovechar esos datos tal como están.
En el sector salud, el trabajo de Ho en identificación de la zona epileptógena en pacientes con epilepsia farmacorresistente —que afecta a un tercio de todos los pacientes con epilepsia— muestra cómo un modelo entrenado con datos clínicos ruidosos puede ayudar a decidir una cirugía. En Latinoamérica, donde el acceso a neurólogos especializados es limitado, herramientas de IA que funcionen con datos reales (no depurados) podrían reducir la brecha diagnóstica.
Otro ámbito crítico es la ciberseguridad. Los registros de tráfico de red contienen naturalmente intrusiones no etiquetadas. Un sistema de detección de anomalías que aprenda directamente de ese flujo contaminado puede identificar ataques sin depender de firmas previas. Para empresas latinoamericanas que enfrentan ciberataques crecientes, es una alternativa práctica a soluciones que exigen datos perfectos.
Lo que viene: modelos fundacionales y despliegue real
Ho planea dos direcciones futuras. La primera es llevar los métodos de detección de anomalías más allá de evaluaciones controladas hacia entornos donde los datos sean más sucios, los tipos de anomalías más ricos y las restricciones de despliegue reales. La segunda es desarrollar modelos fundacionales para datos fisiológicos y de series temporales, siguiendo la ola de preentrenamiento a gran escala que transformó la visión por computadora y el procesamiento del lenguaje natural.
Para las empresas de la región, la pregunta estratégica es: ¿están sus sistemas de monitoreo listos para aprovechar modelos que no exigen datos limpios? La tecnología ya existe. El próximo paso es integrarla en flujos operativos sin añadir complejidad innecesaria.
