Análisis de series temporales (industrial)
- Casi todo el ML industrial es ML de series temporales: modelos construidos para datos de sensores ordenados, multivariantes y con cambios de régimen.
- Los métodos que trabajan: modelos de anomalías multivariantes, detección de deriva/puntos de cambio y pronóstico a corto horizonte — no LLM de propósito general.
- Las señales de alta frecuencia (vibración, formas de onda eléctricas) son su propia especialidad con plataformas dedicadas.
- Las plataformas se evalúan por su comportamiento (atribución, gestión de regímenes, latencia), no por la familia de algoritmos que citan.
El dato de fábrica es dato de series temporales: ordenado, denso, multivariante y cambiando de régimen sin cesar con los cambios de serie. El ML que funciona sobre él es una familia especializada, y conocer su forma vacuna contra los buzzwords.
Los tres métodos que trabajan
Los modelos de anomalías multivariantes aprenden la distribución conjunta de muchas variables y puntúan el dato en vivo contra ella — el motor de la detección de anomalías y la atribución de causas raíz. La detección de deriva y puntos de cambio encuentra el arrastre lento y los vuelcos bruscos de comportamiento — el motor cazador de precursores del mantenimiento predictivo por señales de proceso. El pronóstico a corto horizonte predice un objetivo (métrica de calidad, consumo, vida útil restante) de minutos a días — el motor de la calidad predictiva y la planificación de mantenimiento. Toda plataforma del mercado es un empaquetado de estos tres, más las capas de atribución y UX que los hacen usables.
La alta frecuencia es su propio mundo
El análisis de vibración y formas de onda eléctricas corre al kilohercio, donde dominan la extracción de características y los métodos autosupervisados; por eso los especialistas en salud de máquinas y las plataformas de ML de procesos siguen siendo productos distintos aunque converjan hacia el mismo presupuesto de mantenimiento.
Dónde encajan los LLM
En ningún sitio de esta capa. Los grandes modelos de lenguaje no están hechos para la inferencia numérica multivariante, y los proveedores creíbles lo dicen sin rodeos — usan los LLM para explicar las salidas de los modelos de series temporales, no para producirlas. Un proveedor que afirma que su chatbot analiza directamente sus datos de sensores acaba de decirle algo importante.
FAQ
- ¿Necesito saber qué algoritmos usa un proveedor?
- No — necesita probar el comportamiento: ¿atribuye causas, gestiona los cambios de régimen, corre a sus tasas de datos y se explica a los ingenieros? Dos proveedores con listas de algoritmos idénticas pueden diferir 10× en salida usable.
- ¿Y los modelos fundacionales para series temporales?
- Los modelos preentrenados de series temporales son un área de investigación activa y aparecen dentro de productos como aceleradores (arranques en frío más rápidos en líneas nuevas). En 2026 complementan el entrenamiento específico de la planta en vez de sustituirlo.
Cada cifra de este sitio — en una sola hoja con fuentes.
Las cuentas del mercado de 43,6 B$, las cuotas de casos de uso, las barreras de adopción y los resultados publicados, con la columna de fuentes intacta. Listo para pegar en su business case.