IA industrial en Entropy 2026: la investigación de DDS

Deduce Data Solutions llevó su investigación en IA industrial a Barcelona. La compañía participó a comienzos de julio en Entropy 2026: Exploring Complexity and Information in Science, el congreso internacional de la revista científica Entropy (editorial MDPI), celebrado del 1 al 3 de julio en la Barcelona School of Management. Allí, el equipo científico presentó un póster sobre la aplicación de la IA industrial a un proceso metalúrgico real: la monitorización de un horno de mantenimiento y colada.

El trabajo respondió a una pregunta cada vez más relevante en cualquier proyecto de IA industrial: cuándo conviene incorporar el conocimiento físico de un proceso al entrenamiento de una red neuronal, y cuándo los datos por sí solos ya bastan. Una cuestión aparentemente técnica que, en la práctica, decide cuánta instrumentación necesita una planta antes de poder fiarse de un modelo.

1 Un congreso internacional sobre complejidad e información

El encuentro es una cita de referencia para quienes estudian la entropía y la información como herramientas transversales de la ciencia. Además de las sesiones de ponencias, el programa incluyó sesiones de pósteres, un número especial en la propia revista Entropy y reconocimientos a las mejores contribuciones orales y en formato póster. La presencia de una empresa aplicada como Deduce Data Solutions en un foro de este perfil no es habitual, y refleja una voluntad clara: contrastar con la comunidad académica los métodos que después se trasladan a proyectos reales de IA industrial en planta.

Entropy 2026 reunió durante tres días en Barcelona a la comunidad que trabaja en la frontera entre la física, la teoría de la información y la ciencia de datos. El congreso estuvo presidido por los profesores Miguel Rubí (Universidad de Barcelona) y Kevin H. Knuth (University at Albany), y organizó sus sesiones en torno a ocho grandes áreas.

Entre esas áreas figuraban la teoría de la información, la ciencia de datos y la inteligencia artificial, la termodinámica y los sistemas energéticos, y las aplicaciones de la entropía en la ciencia y la ingeniería. Es precisamente en ese cruce —física de los procesos y aprendizaje automático— donde se sitúa la línea de IA industrial que Deduce Data Solutions llevó a la cita.

La edición de 2026 se celebró en la Barcelona School of Management, en pleno Eixample, y volvió a situar a la ciudad como punto de encuentro de físicos, matemáticos, estadísticos y científicos de datos de decenas de países. El hilo conductor del congreso es la entropía entendida en sentido amplio: como medida de la incertidumbre y de la información en sistemas de todo tipo.

Ese enfoque explica por qué un trabajo de IA industrial aplicado a un horno encaja de forma natural en el programa. Predecir la temperatura de un baño de metal con datos escasos es, en el fondo, un problema de información: cuánta hay en los datos, cuánta añade la física y cómo se combinan ambas para reducir la incertidumbre de la predicción. En clave de IA industrial, el congreso contempló además la publicación de las mejores contribuciones y el reconocimiento a los pósteres más destacados, un incentivo que eleva el nivel de exigencia y que convierte la participación en una prueba real ante pares del ámbito científico internacional.

Para una empresa con base en Cantabria y vocación internacional, participar en una cita de este calibre tiene también una lectura estratégica. Permite medir el propio trabajo con la vara de la comunidad científica, detectar líneas de mejora y tejer contactos con grupos de investigación que, más adelante, pueden traducirse en colaboraciones o en nuevos proyectos de IA industrial.

2 El póster: IA industrial aplicada a un horno de colada

El trabajo presentado se titula «Physics-Informed Neural Networks for an Industrial Holding-and-Casting Furnace: A Controlled Synthetic Benchmark». Lo firmaron Fernando Moreno, data scientist en Deduce Data Solutions y estudiante de doctorado, junto a Diego Tuccillo y Paula Monje. El punto de partida es un problema muy real de IA industrial. Un horno de mantenimiento y colada conserva metal fundido a temperatura de trabajo y lo extrae de forma continua, pero medir bien esa temperatura es difícil: se hace con un pirómetro de inmersión, una medida puntual, intrusiva y poco frecuente que, además, llega con cierto retardo.

El resultado son datos escasos, ruidosos y desfasados. En IA industrial, la calidad del dato lo condiciona casi todo, y en ese contexto un modelo puramente basado en datos tiende a rendirse: predice una línea plana en torno al valor medio y poco más. Preparar bien esos datos es un reto recurrente en cualquier proyecto serio, como recordamos al hablar de los datos industriales previos a la IA.

Frente a eso, las redes neuronales informadas por física incorporan las leyes térmicas del proceso —en este caso, el balance de energía del horno— dentro del propio aprendizaje del modelo. La hipótesis del estudio es que esa «brújula física» resulta especialmente valiosa cuando faltan datos, y que su ventaja se diluye cuando los datos abundan.

Conviene explicar en qué consiste esa «física» que se añade al modelo. Una red neuronal convencional aprende únicamente de ejemplos: se le muestran entradas y salidas y ajusta sus parámetros para reproducirlas. Una red informada por física, en cambio, recibe además una regla que debe respetar —aquí, el balance de energía del horno— y es penalizada cuando su predicción la incumple.

La ventaja es intuitiva. Cuando hay muchos ejemplos, la red aprende bien solo con datos; cuando escasean, esa regla física actúa como una guía que evita que el modelo se pierda. Es una idea que, aplicada con criterio, encaja de lleno en la práctica de la IA industrial, donde los datos etiquetados suelen ser el recurso más caro.

El detalle de la medición ayuda a entender el reto. La temperatura del baño se obtiene con un pirómetro de inmersión, un instrumento que se introduce puntualmente en el metal fundido y ofrece lecturas espaciadas en el tiempo, con ruido y con retardo. No es un sensor que informe de forma continua, sino una fotografía ocasional de un proceso que cambia sin parar.

Además, el horno real no es un sistema apacible: la potencia se conecta y desconecta, el metal se extrae para la colada, se rellena de forma irregular y el baño tarda en homogeneizar su temperatura. El simulador construido por el equipo reprodujo todas esas dinámicas, de modo que las condiciones de aprendizaje se parecieran a las de una planta y no a las de un laboratorio idealizado.

Para asegurarse de que el simulador era creíble, se compararon las distribuciones de temperatura, potencia y masa del horno sintético con las de datos reales. El solapamiento resultó bueno en temperatura y razonable en masa, lo que da confianza para trasladar después las conclusiones del banco de pruebas al proceso real.

3 Qué demostró el trabajo

El propio estudio deja abiertas varias líneas de continuación: poner a prueba los modelos bajo ruido más intenso, retardos mayores y datos faltantes; identificar en tiempo real parámetros del horno como las pérdidas de calor; y, sobre todo, transferir progresivamente la metodología del simulador hacia datos reales de fundición, el verdadero examen de cualquier método de este tipo.

Para medir el rendimiento, el estudio se apoyó en dos indicadores complementarios. Uno mide el error de predicción —cuánto se desvía el modelo de la temperatura real— y el otro, cuánta de la variabilidad del proceso es capaz de explicar. Con pocos datos, el modelo con física redujo el error de forma apreciable; con muchos datos, ambos enfoques igualaron su rendimiento.

La lectura para el sector metalúrgico es directa. Instrumentar un horno con más sensórica es caro, y no siempre compensa. Un banco de pruebas como este permite estimar, antes de invertir, cuánta mejora cabe esperar por cada punto de medida que se añade, una decisión típica de la IA industrial bien planteada.

Para responder con rigor, el equipo construyó un banco de pruebas sintético inspirado en un horno real. En lugar de validar el método directamente sobre datos de planta —donde nunca se conoce el estado verdadero completo—, el simulador reproduce la dinámica industrial dominante (control de potencia, pérdidas de calor, extracción por colada, rellenos y mezcla térmica) conservando acceso total a la verdad de referencia.

Sobre ese entorno se compararon dos modelos con idéntica arquitectura recurrente: uno entrenado solo con datos y otro con una restricción física de balance de energía añadida. La conclusión es matizada y honesta, poco habitual en el discurso de la IA industrial: incorporar la física mejora la previsión sobre todo cuando los datos etiquetados escasean, y esa ventaja prácticamente desaparece cuando hay datos de sobra.

Dicho de otro modo, el beneficio del aprendizaje informado por física es dependiente del régimen de datos, no universal. Para la industria, eso convierte una decisión de arquitectura en una pregunta práctica y medible: ¿cuántos datos de calidad tengo realmente antes de invertir en más instrumentación? Es el tipo de criterio que separa una IA industrial útil de una promesa vacía.

La comparación, muy pedagógica para explicar la IA industrial, se hizo de forma limpia. Ambos modelos partían de la misma arquitectura y de los mismos datos degradados; la única diferencia era esa restricción física. Así, cualquier diferencia de rendimiento se atribuye sin ambigüedad al conocimiento físico incorporado, y no a un modelo más grande o mejor ajustado que el otro. Los resultados dibujaron una curva muy pedagógica. Con pocas decenas de medidas, el modelo con física recortó de forma clara el error y explicó mejor la evolución de la temperatura. Al aumentar los datos, esa distancia se fue cerrando hasta desaparecer, y con miles de medidas ambos enfoques rindieron prácticamente igual.

Para una fundición, la conclusión es accionable. Antes de gastar en más sensores o en campañas de medida costosas, un banco de pruebas como este permite estimar cuánto se ganaría realmente, y decidir con datos si esa inversión merece la pena. Es IA industrial puesta al servicio de una decisión económica concreta.

La arquitectura elegida tampoco fue casual. La temperatura de un horno depende de su historia reciente —de la potencia aplicada minutos antes, de la última colada o del último relleno—, así que el equipo empleó un tipo de red con memoria, capaz de tener en cuenta la secuencia temporal y no solo el instante presente. Es una decisión habitual cuando la IA industrial trabaja con procesos que tienen inercia.

El estudio se apoya en una línea de investigación consolidada en los últimos años, la del aprendizaje automático informado por física, que busca precisamente unir el rigor de los modelos físicos con la flexibilidad de las redes neuronales. Aplicarla a un caso metalúrgico concreto es una forma de comprobar qué aporta realmente esa combinación fuera del ámbito puramente teórico.

Merece la pena detenerse en lo que significa un error negativo en la métrica que mide la calidad de la predicción. Cuando un modelo obtiene ese valor, quiere decir que predice peor que limitarse a repetir la media de la temperatura observada. Es justo lo que le ocurría al modelo sin física con muy pocos datos, y justo lo que la física ayudaba a corregir en ese régimen.

Ese matiz es importante para no caer en lecturas triunfalistas. La física no convierte un problema imposible en uno resuelto: con datos extremadamente escasos, ambos enfoques fallaban. Lo que hace es aprovechar mejor la poca información disponible en la franja intermedia, que es donde se mueven muchos proyectos reales de IA industrial.

4 IA industrial con criterio: comprender antes de optimizar

Más allá del resultado concreto, la participación en el congreso encaja con la trayectoria de la compañía, que combina el trabajo con empresas industriales y energéticas con una presencia constante en el ámbito científico. Ese doble pie —academia y planta— es, para el equipo, la mejor garantía de que los métodos que propone funcionan fuera del laboratorio. El trabajo se enmarca además en la línea de investigación doctoral de Fernando Moreno, que compagina su labor como data scientist con el desarrollo de métodos de aprendizaje automático aplicados a procesos industriales. Es una muestra del perfil científico que la compañía integra en su equipo.

El póster es un ejemplo concreto de la forma en que Deduce Data Solutions entiende la IA industrial: comprender la raíz física de un proceso antes de pretender optimizarlo. Es la misma lógica con la que la compañía aborda la IA aplicada a la eficiencia energética: primero medir y entender, después decidir.

Llevar esta investigación a un foro internacional como Entropy 2026 refuerza la apuesta de la empresa por unir el rigor científico y la aplicación industrial. La madurez de la IA industrial no pasa por prometer que un algoritmo lo resuelve todo, sino por saber exactamente cuándo aporta valor y cuándo no, y por compartirlo con transparencia ante la comunidad científica. Con esta participación, Deduce Data Solutions consolida una trayectoria de presencia en congresos y comités científicos que acompaña su trabajo comercial en IA industrial, y reafirma su convicción de que la mejor tecnología para la industria es la que se apoya en una base científica sólida.

La participación en Entropy 2026 se suma a la presencia de Deduce Data Solutions en otros foros y comités científicos, una constante que la compañía reivindica como parte de su identidad. Frente a un mercado saturado de promesas sobre inteligencia artificial, la empresa defiende una IA industrial verificable, contrastada y explicada con honestidad, también en sus límites.

De cara al futuro, el equipo planea llevar la metodología del simulador hacia datos reales de fundición y afinar el modo en que se equilibran datos y física durante el entrenamiento. El objetivo último es que estas técnicas salgan del banco de pruebas y lleguen a la planta, que es donde la IA industrial demuestra de verdad su valor.

En un momento en que la inteligencia artificial acapara titulares, trabajos de IA industrial como este recuerdan que el valor real no está en el algoritmo más llamativo, sino en entender el problema físico que se quiere resolver. Esa es, en esencia, la propuesta de valor que Deduce Data Solutions llevó a Barcelona y que sostiene su forma de hacer IA industrial.

El caso ilustra bien una idea que la compañía repite a sus clientes industriales: antes de automatizar o de optimizar un proceso con IA industrial conviene entenderlo. Un modelo que ignora la física del sistema puede funcionar en IA industrial mientras las condiciones no cambien, pero se vuelve frágil en cuanto la planta se aparta de lo que el modelo vio durante el entrenamiento.

Por eso el trabajo presentado en Barcelona no es solo un ejercicio académico, sino una declaración de método. La IA industrial que defiende Deduce Data Solutions parte del conocimiento del proceso, lo combina con los datos disponibles y mide con honestidad cuándo cada ingrediente aporta y cuándo no. Ese es el criterio que la empresa quiso poner sobre la mesa ante la comunidad de Entropy 2026.

La presencia de perfiles con formación investigadora dentro de un equipo aplicado es, precisamente, lo que permite abordar problemas así con solvencia. Combinar la práctica del día a día con empresas y el pulso de la investigación más reciente ayuda a que las soluciones no se queden en la superficie del dato, sino que lleguen a la raíz del proceso.

Con la vista puesta en los próximos meses, la compañía seguirá compaginando su actividad comercial con esta clase de aportaciones científicas. Es una manera de construir credibilidad a largo plazo y de demostrar, con hechos, que detrás de su discurso sobre IA industrial hay método, evidencia y una idea muy clara de para qué sirve cada herramienta.

En resumen

• En IA industrial, la física ayuda sobre todo cuando los datos etiquetados escasean.
• Con muchos datos, un modelo solo con datos rinde igual que uno con física.
• El banco de pruebas permite decidir, antes de invertir, cuánta instrumentación merece la pena.
• El método de fondo: comprender el proceso antes de pretender optimizarlo.

Fuentes

Fuentes: Entropy 2026 · sciforum.net · Revista Entropy (MDPI). En Deduce Data Solutions convertimos los datos en decisiones para la industria, con gobierno del dato y cumplimiento desde el primer día.