- Inicio
- Glosario de IA
Glosario de IA industrial
Los términos de inteligencia artificial aplicada a la industria y la energía, del deep learning a las PINNs, la XAI, los LLM, el RAG, el gemelo digital, la Edge AI o el mantenimiento predictivo. Cada entrada lleva una definición breve y un ejemplo de planta. Para ampliar, puedes consultar la definición de inteligencia artificial en Wikipedia o el portal de estándares del IEEE.
Algoritmo
Conjunto finito y ordenado de instrucciones que un sistema sigue para resolver un problema o producir un resultado a partir de datos de entrada.
Ejemplo: el algoritmo de clasificación que asigna cada pieza producida a la categoría "OK" o "defecto" en una línea de producción.
Aprendizaje supervisado
Tipo de aprendizaje automático en el que el modelo se entrena con ejemplos etiquetados, es decir, pares de entrada-salida conocidos.
Ejemplo: entrenar un modelo con miles de imágenes ya etiquetadas como "pieza defectuosa" o "pieza correcta" para que aprenda a clasificarlas por sí solo.
Aprendizaje no supervisado
Tipo de aprendizaje automático en el que el modelo descubre patrones en los datos sin disponer de etiquetas previas. Útil para agrupar, segmentar o detectar anomalías.
Ejemplo: agrupar consumos energéticos de distintas plantas para identificar perfiles operativos típicos sin saber de antemano cuáles son.
Aprendizaje por refuerzo
Paradigma en el que un agente aprende a tomar decisiones mediante prueba-error: recibe recompensas por las buenas acciones y penalizaciones por las malas.
Ejemplo: un sistema que aprende a optimizar la programación de un horno industrial probando combinaciones y midiendo el consumo energético resultante.
AIoTArtificial Intelligence of Things
Convergencia entre el IoT industrial y la inteligencia artificial: sensores, PLCs y gateways ejecutan modelos de IA para decidir en tiempo real sin depender siempre del cloud.
Ejemplo: una bomba con AIoT detecta su propia desviación de vibración y ajusta su régimen antes de que un operario vea el dato en el SCADA.
Autoencoder
Red neuronal que aprende a comprimir y reconstruir sus propios datos de entrada. Se utiliza sobre todo para detectar anomalías: si la reconstrucción se aleja del original, hay algo raro en el proceso.
Ejemplo: un autoencoder entrenado con vibraciones normales de un motor detecta automáticamente fallos incipientes en rodamientos sin necesidad de etiquetar previamente cada tipo de avería.
Anomaly Detection Detección de anomalías
Conjunto de técnicas de IA que identifican datos, eventos o comportamientos que se desvían de forma significativa del patrón normal de un proceso. Es la base de la monitorización de activos y de la ciberseguridad industrial.
Ejemplo: un sistema de detección de anomalías marca un consumo eléctrico atípico en una línea durante la noche y revela una fuga de aire comprimido que nadie había notado.
Agentic AI IA agéntica
Sistema que emplea agentes de IA para ejecutar tareas de forma autónoma en nombre del usuario, con capacidad de decidir, planificar y usar herramientas para alcanzar objetivos complejos.
Ejemplo: Un agente de IA agéntica supervisa los KPI de una planta y, ante una desviación, abre la orden de trabajo y agenda la inspección sin intervención manual.
Active LearningAprendizaje activo
Técnica de aprendizaje automático en la que el modelo selecciona por sí mismo los datos más informativos para que un humano los etiquete, reduciendo el coste de anotación y acelerando el entrenamiento.
Ejemplo: en una línea de inspección visual, el sistema pide al operario etiquetar solo las imágenes dudosas y alcanza la misma precisión con un 70% menos de etiquetado.
Attention Mecanismo de atención
Técnica que permite a una red neuronal ponderar dinámicamente qué partes de la entrada son más relevantes para cada predicción, aprendiendo a «prestar atención» a los elementos clave de una secuencia. Es el mecanismo central de los Transformers.
Ejemplo: un modelo que analiza secuencias de sensores de una turbina usa la atención para dar más peso a los instantes de vibración relevantes y anticipar un fallo, ignorando el ruido.
AI Governance Gobernanza de la IA
Conjunto de políticas, controles y responsabilidades que garantizan que los sistemas de IA sean seguros, éticos, trazables y conformes con la normativa a lo largo de todo su ciclo de vida.
Ejemplo: Un grupo industrial define su marco de gobernanza de la IA para documentar, aprobar y auditar cada modelo antes de que controle variables críticas de planta.
Autoregressive Model Modelo autorregresivo
Modelo que predice el siguiente valor de una secuencia a partir de sus valores anteriores. En series temporales toma la forma AR y en IA generativa describe cómo un modelo de lenguaje produce cada token condicionado a los que ya escribió.
Ejemplo: Un modelo autorregresivo sobre la demanda horaria de una red eléctrica anticipa el consumo de la próxima hora con el histórico de las últimas 24.
Activation Function Función de activación
Función que aplica cada neurona a la suma ponderada de sus entradas para producir su salida, introduciendo no linealidad en la red. Sin ella, una red neuronal solo podría representar transformaciones lineales; ReLU, sigmoide y GELU son las más usadas.
Ejemplo: Una red que predice la temperatura de salida de un horno de recocido usa ReLU en sus capas ocultas para capturar la relación no lineal entre caudal de gas, velocidad de línea y espesor de chapa.
Backpropagation
Algoritmo que permite a una red neuronal ajustar sus parámetros internos propagando hacia atrás el error cometido en la predicción.
Ejemplo: es el motor matemático que hace posible que casi cualquier red neuronal moderna aprenda de sus errores durante el entrenamiento.
Big Data
Conjunto de tecnologías y técnicas para procesar volúmenes de datos demasiado grandes, rápidos o variados para los sistemas tradicionales.
Ejemplo: los datos de telemetría que genera una planta industrial conectada producen gigabytes diarios que no caben en una hoja de cálculo.
Bayesian NetworkRed bayesiana
Modelo probabilístico que representa variables y sus dependencias causales en forma de grafo. Permite calcular la probabilidad de un evento futuro a partir de lo que ya se ha observado.
Ejemplo: en una planta química, una red bayesiana combina presión, temperatura y caudal para estimar la probabilidad de un fallo de bomba en las próximas 24 horas.
Bias Sesgo algorítmico
Error sistemático de un modelo de IA que produce resultados injustos o desviados, normalmente heredado de datos de entrenamiento poco representativos. Detectarlo y corregirlo es clave para tomar decisiones fiables.
Ejemplo: un modelo de control de calidad entrenado solo con piezas de un turno desarrolla un sesgo y rechaza en exceso las piezas de otro turno con distinta iluminación.
Batch NormalizationNormalización por lotes
Técnica que normaliza las activaciones de cada capa de una red neuronal usando la media y la varianza del lote de entrenamiento, estabilizando y acelerando el aprendizaje.
Ejemplo: al añadir batch normalization, el modelo de visión que detecta corrosión en tuberías converge en la mitad de épocas y tolera mejor los cambios de iluminación.
BERT Bidirectional Encoder Representations from Transformers
Modelo de lenguaje basado en Transformers, presentado por Google en 2018, que interpreta cada palabra considerando a la vez su contexto anterior y posterior. Se usa como base para clasificar, buscar o extraer información de texto.
Ejemplo: un modelo BERT afinado con partes de mantenimiento clasifica automáticamente cada incidencia por tipo de avería y equipo afectado.
Beam Search Búsqueda por haz
Algoritmo de decodificación que, en cada paso de la generación de una secuencia, conserva las k hipótesis más probables, el llamado ancho de haz, en lugar de quedarse solo con la mejor, mejorando la calidad del resultado frente a la búsqueda voraz.
Ejemplo: Un asistente que redacta partes de mantenimiento usa beam search para elegir la formulación técnica más coherente en vez de la primera opción más probable.
Bayesian Optimization Optimización bayesiana
Método para optimizar funciones costosas de evaluar que construye un modelo probabilístico sustituto del objetivo y usa una función de adquisición para elegir el siguiente punto a probar, equilibrando exploración y explotación.
Ejemplo: Ajustar los parámetros de operación de un horno de clínker con muy pocos ensayos reales, porque cada prueba consume horas de producción.
Bayesian Neural Network Red neuronal bayesiana
Red neuronal cuyos pesos se tratan como distribuciones de probabilidad en vez de valores fijos. Cada predicción sale acompañada de su incertidumbre, lo que indica cuándo el modelo trabaja fuera de lo que conoce.
Ejemplo: Una red bayesiana que estima la temperatura de salida de un horno de recocido devuelve un intervalo ancho cuando la mezcla de material no se parece a ninguna del histórico.
Computer VisionVisión artificial
Disciplina que permite a las máquinas interpretar imágenes y vídeo: detectar objetos, leer texto, identificar defectos o medir distancias.
Ejemplo: una cámara con visión artificial detecta una soldadura defectuosa en línea de producción a velocidad de 2.000 piezas por hora.
Convolutional Neural NetworkCNN
Tipo de red neuronal especializada en procesar imágenes. Utiliza capas convolucionales que detectan automáticamente patrones visuales (bordes, texturas, formas).
Ejemplo: casi cualquier sistema de inspección visual industrial moderno usa CNN como motor de detección.
Causal AIIA causal
Disciplina de la IA que busca relaciones causa-efecto, no solo correlaciones. Permite responder preguntas tipo "¿qué pasaría si…?" y diseñar intervenciones con impacto real en el proceso.
Ejemplo: la IA causal identifica que el aumento de scrap en una línea se debe a una variable concreta del horno, no a la materia prima como sugería el dashboard tradicional.
Clustering Agrupamiento
Técnica de aprendizaje no supervisado que agrupa datos en conjuntos (clusters) según su similitud, sin etiquetas previas. Sirve para segmentar, explorar datos y descubrir perfiles ocultos.
Ejemplo: un algoritmo de clustering ordena miles de alarmas de SCADA en grupos recurrentes y ayuda a mantenimiento a priorizar las causas raíz más frecuentes.
Confusion MatrixMatriz de confusión
Tabla que resume el rendimiento de un clasificador cruzando las clases reales con las predichas: verdaderos y falsos positivos y negativos. Es la base de métricas como precisión, recall o F1.
Ejemplo: la matriz de confusión del modelo de calidad revela que casi todos sus errores son falsas alarmas y no defectos sin detectar, lo que orienta el reajuste del umbral.
Concept Drift Deriva de concepto
Cambio en el tiempo de la relación entre las variables de entrada y lo que el modelo predice, de modo que la lógica aprendida deja de ser válida. A diferencia del data drift, aquí cambia el concepto en sí, no solo la distribución de los datos.
Ejemplo: un modelo que estima la vida útil de una herramienta pierde validez al cambiar el material de las piezas, porque la relación entre desgaste y rotura ya no es la misma.
Cosine Similarity Similitud del coseno
Medida de parecido entre dos vectores basada en el coseno del ángulo que forman, de -1 a 1, independiente de su magnitud. Es la base para comparar embeddings por significado.
Ejemplo: Un buscador de repuestos calcula la similitud del coseno entre la descripción de una avería y miles de partes históricos para proponer el procedimiento más parecido.
Chain-of-ThoughtCadena de pensamiento
Técnica de prompting que pide a un modelo de lenguaje razonar paso a paso, mostrando los pasos intermedios antes de dar la respuesta final. Mejora su desempeño en tareas de varios pasos y hace más transparente su razonamiento.
Ejemplo: Un asistente que diagnostica una avería de compresor razona con cadena de pensamiento —presión, temperatura y horas de uso— antes de proponer la causa más probable, dejando trazable cada paso.
Contrastive LearningAprendizaje contrastivo
Paradigma de aprendizaje autosupervisado que aprende representaciones acercando en el espacio vectorial los ejemplos similares (pares positivos) y alejando los distintos (pares negativos), sin necesidad de etiquetas.
Ejemplo: Con aprendizaje contrastivo, un modelo distingue estados normales y anómalos de una turbina a partir de señales de vibración sin etiquetar, generando los pares a base de aumentos de los propios datos.
Conformal Prediction Predicción conforme
Marco estadístico que convierte las predicciones puntuales de cualquier modelo en conjuntos o intervalos con una cobertura garantizada, asumiendo únicamente que los datos son intercambiables.
Ejemplo: En la estimación de vida útil restante de rodamientos entrega un intervalo con 90 % de cobertura en lugar de un único número.
Curriculum Learning Aprendizaje por currículo
Estrategia de entrenamiento que presenta los ejemplos al modelo en orden de dificultad creciente, de lo simple a lo complejo, para acelerar la convergencia y mejorar la generalización.
Ejemplo: entrenar el modelo de control de un horno primero con regímenes estables y añadir después arranques, paradas y transitorios.
Context Window Ventana de contexto
Cantidad de texto, medida en tokens, que un modelo de lenguaje puede tener presente a la vez. Determina cuánta información cabe entre la consulta y la respuesta antes de que el modelo empiece a olvidar.
Ejemplo: Un asistente de mantenimiento con ventana de 128.000 tokens lee el manual completo de una turbina y responde citando el apartado exacto.
Counterfactual Explanation Explicación contrafactual
Explicación que indica el cambio mínimo en las variables de entrada que habría bastado para que el modelo diera una salida distinta.
Ejemplo: un modelo rechaza un lote de pintura y la explicación contrafactual señala que con 0,4 puntos menos de viscosidad habría pasado.
Change Point Detection Detección de puntos de cambio
Técnica estadística que identifica los instantes en que cambia la distribución de una serie temporal (media, varianza o patrón), separándola en tramos con propiedades distintas. Se usa para detectar transiciones de régimen que no son fallos puntuales sino cambios sostenidos.
Ejemplo: En un compresor de aire, el algoritmo detecta que la media de vibración pasó a un nivel superior el 12 de marzo, fecha que coincide con un cambio de rodamiento mal alineado.
Condition Monitoring Monitorización de condición
Seguimiento continuo de parámetros físicos de una máquina (vibración, temperatura, corriente, aceite) para detectar cambios que indiquen un fallo en desarrollo. Es la base de datos sobre la que trabajan los modelos de mantenimiento predictivo.
Ejemplo: Sensores de vibración en los rodamientos de un ventilador de tiro de una caldera envían datos cada segundo a un modelo que avisa cuando la firma espectral se desvía del patrón sano.
Deep LearningAprendizaje profundo
Rama del aprendizaje automático basada en redes neuronales con muchas capas. Capaz de aprender representaciones jerárquicas de datos complejos sin ingeniería manual de variables.
Ejemplo: el Deep Learning es lo que hizo posibles tanto los modelos de lenguaje como los sistemas modernos de visión artificial industrial.
Data DriftDeriva de datos
Cambio gradual en la distribución de los datos que llegan al modelo en producción respecto a los datos con los que fue entrenado. Si no se monitoriza, el modelo pierde precisión de forma silenciosa.
Ejemplo: tras cambiar el proveedor de chapa, el modelo de inspección visual empieza a clasificar mal piezas correctas porque las texturas y reflejos han cambiado.
Decision TreeÁrbol de decisión
Modelo que divide los datos en ramas según reglas del tipo "si X supera un umbral, entonces…", formando una estructura tipo árbol fácil de interpretar.
Ejemplo: en mantenimiento, un árbol de decisión clasifica cada alarma como "intervención inmediata", "revisión planificada" o "ignorar" según horas de uso, temperatura y vibración.
Digital TwinGemelo digital
Réplica virtual de un activo, proceso o planta física, alimentada en tiempo real con datos del mundo real y enriquecida con modelos de IA para simular, predecir y optimizar.
Ejemplo: un gemelo digital de un horno permite probar nuevas estrategias de combustión virtualmente antes de aplicarlas en planta, ahorrando energía sin riesgo operativo.
Diffusion Model Modelo de difusión
Modelo generativo que aprende a crear datos nuevos partiendo de ruido aleatorio y revirtiendo paso a paso un proceso de difusión. Es la base de muchos generadores de imágenes actuales.
Ejemplo: a partir de un boceto y una instrucción de texto, un modelo de difusión propone variantes de diseño de una pieza antes de pasar al CAD definitivo.
Dropout
Técnica de regularización que desactiva aleatoriamente un porcentaje de neuronas en cada paso del entrenamiento, obligando a la red a aprender representaciones redundantes y reduciendo el sobreajuste.
Ejemplo: un modelo de predicción de fallos con pocos datos históricos usa dropout para no memorizar los casos de entrenamiento y generalizar mejor ante averías nuevas.
Data Lakehouse
Arquitectura de datos que combina el almacenamiento flexible y de bajo coste de un data lake con la fiabilidad, gobernanza y rendimiento de consulta de un data warehouse, dando servicio a la vez a BI y a machine learning sobre una única plataforma.
Ejemplo: un grupo industrial unifica en un data lakehouse la telemetría cruda de sus plantas y los informes de negocio, para que modelos de IA y cuadros de mando consulten la misma fuente.
Data Lineage Linaje de datos
Registro del recorrido de un dato a lo largo de su ciclo de vida, desde su origen y sus transformaciones hasta su destino, que permite auditar, trazar y validar la fiabilidad de la información.
Ejemplo: Cuando un KPI de eficiencia sale anómalo, el linaje de datos permite rastrear desde el dashboard hasta el sensor de origen y localizar la transformación que introdujo el error.
Dataset Conjunto de datos
Colección estructurada y organizada de datos, ya sean tablas, imágenes, señales o texto, que sirve de base para entrenar, validar y evaluar modelos de aprendizaje automático. Su calidad y su tamaño condicionan directamente el rendimiento del modelo.
Ejemplo: Un dataset con años de lecturas de vibración y temperatura de una turbina permite entrenar el modelo de mantenimiento predictivo que anticipa sus fallos.
Digital ThreadHilo digital
Flujo continuo de datos que conecta toda la información de un producto o activo a lo largo de su ciclo de vida —diseño, fabricación, operación y mantenimiento—, permitiendo trazabilidad y decisiones en tiempo real. Es más amplio que el gemelo digital, que replica un activo concreto.
Ejemplo: El hilo digital de una bomba enlaza su diseño CAD, su lista de materiales, su histórico de mantenimiento y su telemetría, de modo que cualquier cambio queda trazado de extremo a extremo.
Data AugmentationAumento de datos
Técnica que amplía artificialmente un conjunto de entrenamiento aplicando transformaciones a los datos existentes (giros, ruido, recortes, escalados), aumentando su diversidad para mejorar la generalización y reducir el sobreajuste.
Ejemplo: Ante pocas imágenes de un defecto raro, el aumento de datos genera variantes con giros y cambios de iluminación para que el modelo de inspección visual lo reconozca de forma más robusta.
Digital Shadow Sombra digital
Representación digital de un activo físico con flujo de datos automático solo en el sentido físico→digital: refleja el estado real del activo, pero no actúa sobre él, a diferencia del gemelo digital.
Ejemplo: un panel que replica en tiempo real las temperaturas y caudales de una caldera industrial sin devolverle consignas de operación.
Domain Adaptation Adaptación de dominio
Conjunto de técnicas que ajustan un modelo entrenado en un dominio de origen para que funcione en un dominio destino con datos de distribución distinta y pocas o ninguna etiqueta.
Ejemplo: adaptar un modelo de detección de defectos entrenado en una línea de producción para usarlo en otra planta con cámaras e iluminación diferentes.
Data Mesh Malla de datos
Arquitectura de datos descentralizada en la que cada dominio de negocio publica y mantiene sus propios datos como producto, con gobierno federado y una plataforma de autoservicio común.
Ejemplo: En un grupo con cinco plantas, cada una publica su histórico de proceso como producto de datos y corporativo los cruza sin copiarlos a un almacén central.
Dynamic Time Warping DTW Alineamiento temporal dinámico
Algoritmo que mide la similitud entre dos series temporales que pueden ir a distinta velocidad, estirando o comprimiendo el eje de tiempo para encontrar el mejor alineamiento. Supera a la distancia euclídea cuando dos curvas tienen la misma forma pero no están sincronizadas.
Ejemplo: Comparar la curva de presión de cada ciclo de una prensa de inyección con un ciclo de referencia mediante DTW permite detectar ciclos anómalos aunque la máquina haya variado ligeramente su cadencia.
Data Labeling Etiquetado de datos
Proceso de asignar a cada dato bruto (imagen, señal o texto) la etiqueta o clase correcta para que un modelo supervisado pueda aprender de él.
Ejemplo: Los técnicos de calidad de una planta de envases marcan en 5.000 fotos de botellas qué defecto tiene cada una antes de entrenar el sistema de inspección visual.
DBSCAN Density-Based Spatial Clustering of Applications with Noise
Algoritmo de agrupamiento que forma grupos a partir de las zonas con alta densidad de puntos y marca como ruido los puntos aislados, sin fijar de antemano el número de grupos.
Ejemplo: agrupar los arranques de un compresor según su perfil de consumo y apartar como ruido los arranques atípicos que conviene revisar.
Embedding
Representación numérica densa de un dato (palabra, imagen, producto, señal) en un espacio vectorial donde los elementos similares quedan cerca entre sí.
Ejemplo: en un sistema de búsqueda semántica industrial, los embeddings permiten encontrar un parte de mantenimiento similar aunque se haya descrito con palabras distintas.
Explainable AIXAI
Conjunto de técnicas que permiten que un modelo de IA explique sus decisiones de forma comprensible para humanos. Imprescindible en entornos industriales y regulados.
Ejemplo: un sistema XAI no solo dice "este horno fallará mañana" — también explica qué variables disparan la alerta y qué acción recomienda. Es el estándar por defecto en DDS.
Edge AIIA en el borde
Ejecución de modelos de inteligencia artificial directamente en el dispositivo (PLC, cámara industrial, gateway o máquina) en lugar de enviar los datos al cloud. Reduce latencia, coste de red y dependencia de conectividad.
Ejemplo: una cámara con Edge AI en una línea de envasado detecta defectos en milisegundos sin enviar el vídeo fuera de planta, cumpliendo además con las políticas de confidencialidad.
Ensemble Learning Aprendizaje por ensamble
Técnica que combina varios modelos para obtener una predicción mejor y más robusta que la de cualquiera por separado, reduciendo el sesgo y la varianza.
Ejemplo: un ensamble de varios modelos predice la demanda eléctrica de la planta combinando sus salidas y logra un error menor y más estable que el de un único modelo.
Early Stopping Parada temprana
Técnica de regularización que detiene el entrenamiento cuando el error sobre el conjunto de validación deja de mejorar, evitando el sobreajuste.
Ejemplo: El entrenamiento de un modelo de predicción de demanda eléctrica se detiene al no mejorar el error de validación durante diez épocas.
Epoch Época
Una pasada completa del algoritmo de entrenamiento por todo el conjunto de datos. Si el dataset tiene 10.000 ejemplos y el lote es de 100, una época equivale a 100 iteraciones; el número de épocas es un hiperparámetro que se ajusta con parada temprana.
Ejemplo: Un modelo de clasificación de defectos en chapa laminada se entrena durante 40 épocas, pero la validación deja de mejorar en la 25, así que se conserva ese punto.
Fine-tuning
Ajuste de un modelo preentrenado con datos específicos de un caso concreto. Permite adaptar un modelo general a un dominio particular sin entrenarlo desde cero.
Ejemplo: partir de un modelo de lenguaje general y hacer fine-tuning con miles de partes de mantenimiento industrial para que entienda el vocabulario técnico del sector.
Federated LearningAprendizaje federado
Técnica de entrenamiento distribuido en la que varias plantas o dispositivos entrenan un modelo común sin compartir sus datos brutos: solo se intercambian las actualizaciones del modelo.
Ejemplo: tres fábricas del mismo grupo industrial entrenan juntas un modelo de calidad sin que ninguna tenga que ceder sus datos sensibles a las otras.
Foundation ModelModelo fundacional
Modelo de IA de gran escala preentrenado con cantidades masivas de datos generales (texto, código, imágenes) que después se adapta a tareas específicas mediante fine-tuning o prompting.
Ejemplo: modelos como GPT, Claude, Gemini o Llama son foundation models que en industria se especializan para leer informes técnicos, manuales de mantenimiento o pliegos de subvenciones.
F1-Score Puntuación F1
Métrica que resume el rendimiento de un clasificador como la media armónica entre precisión y exhaustividad (recall). Es especialmente útil cuando las clases están desbalanceadas.
Ejemplo: al detectar piezas defectuosas, escasas frente a las correctas, el F1-score evalúa el modelo mejor que la simple exactitud, que se vería inflada por la mayoría de piezas buenas.
Feature Store Almacén de características
Repositorio centralizado que almacena y gestiona las características (features) usadas por los modelos de ML, garantizando la consistencia entre entrenamiento e inferencia y su reutilización entre proyectos.
Ejemplo: Varios equipos de una compañía industrial reutilizan desde un feature store las mismas variables de vibración para distintos modelos de mantenimiento predictivo.
Feature Engineering Ingeniería de características
Proceso de transformar los datos brutos en variables (features) que representen mejor el problema para el modelo, mediante técnicas como normalización, agregación o creación de nuevos indicadores. Suele aportar más mejora que el propio algoritmo.
Ejemplo: a partir de la señal cruda de un acelerómetro se calculan RMS, frecuencia dominante y curtosis como features que permiten al modelo de mantenimiento predictivo detectar mejor los fallos de rodamiento.
Few-shot Learning Aprendizaje con pocos ejemplos
Enfoque en el que un modelo aprende a resolver una tarea a partir de un número muy reducido de ejemplos etiquetados, útil cuando los datos son escasos o caros de anotar.
Ejemplo: Con solo cinco imágenes de un defecto poco frecuente, un modelo de few-shot learning aprende a reconocerlo en la línea de inspección visual.
Function CallingLlamada a funciones
Capacidad que permite a un modelo de lenguaje invocar herramientas o funciones externas: detecta cuándo hace falta y genera una llamada estructurada (normalmente en JSON) cuyo resultado incorpora a su razonamiento. Es una de las bases de la IA agéntica.
Ejemplo: Mediante llamada a funciones, un asistente de planta consulta el historian por la temperatura del horno 3 y abre una orden de trabajo en el GMAO sin que el operario salga del chat.
Fuzzy Logic Lógica difusa
Sistema lógico que admite grados de verdad intermedios entre 0 y 1 en lugar de valores estrictamente binarios. Los controladores difusos aplican reglas «si–entonces» sobre variables lingüísticas y convierten el resultado de nuevo en una señal numérica.
Ejemplo: Regular la temperatura de un horno industrial con reglas del tipo «si la temperatura es baja, abre ligeramente la válvula de calefacción».
Fault Detection and Diagnosis FDD Detección y diagnóstico de fallos
Disciplina de la ingeniería de control que vigila un sistema, decide si existe un fallo y localiza su tipo y origen. Combina métodos basados en modelo (comparar lecturas con lo que predice un modelo físico) y métodos basados en señal o datos.
Ejemplo: Un sistema FDD en una planta de climatización industrial detecta una caída de rendimiento del chiller y la atribuye a una válvula de expansión atascada, no a falta de refrigerante.
GANGenerative Adversarial Network
Arquitectura en la que dos redes neuronales compiten entre sí: una genera datos sintéticos y otra trata de distinguir si son reales o falsos. El resultado son muestras cada vez más realistas.
Ejemplo: generar imágenes sintéticas de defectos de calidad poco frecuentes para entrenar mejor un modelo de inspección visual.
Gradient Descent
Algoritmo de optimización que ajusta los parámetros de un modelo siguiendo el "descenso" del error. Es el motor matemático del entrenamiento en la mayoría de modelos de Machine Learning.
Ejemplo: cada paso de entrenamiento de una red neuronal industrial es, internamente, un movimiento de gradient descent buscando la mejor predicción posible.
Generative AIIA Generativa
Familia de modelos de IA capaces de crear contenido nuevo —texto, código, imágenes, diseños CAD o recetas de proceso— a partir de instrucciones en lenguaje natural.
Ejemplo: un ingeniero pide a la IA generativa que redacte el procedimiento de arranque de una nueva línea siguiendo el formato interno y los estándares de seguridad de la planta.
Gradient Boosting Potenciación del gradiente
Técnica de aprendizaje por ensamble que combina secuencialmente árboles de decisión débiles, donde cada nuevo árbol corrige los errores del anterior; XGBoost es su implementación más extendida.
Ejemplo: Una refinería usa XGBoost sobre datos de sensores para estimar la probabilidad de fallo de una bomba en las próximas 48 horas.
Guardrails Barandillas de seguridad
Conjunto de reglas y filtros programables que se sitúan entre el usuario y un modelo de lenguaje para garantizar respuestas seguras, fiables y conformes, bloqueando entradas o salidas indebidas.
Ejemplo: Un asistente de IA para operarios incorpora guardrails que impiden recomendar maniobras fuera de los límites de seguridad de la planta.
GRU Gated Recurrent Unit
Variante simplificada de red neuronal recurrente que usa dos compuertas, de actualización y de reinicio, para capturar dependencias temporales con menos parámetros que una LSTM, entrenando más rápido y con menor consumo de memoria.
Ejemplo: Una GRU predice el caudal de una estación de bombeo a partir de la secuencia de las últimas horas, con un modelo más ligero que una LSTM para ejecutarse en el gateway de planta.
Genetic Algorithm Algoritmo genético
Método de optimización inspirado en la evolución biológica: hace evolucionar una población de soluciones candidatas mediante selección, cruce y mutación hasta converger en una solución suficientemente buena.
Ejemplo: Optimizar el calendario de paradas de mantenimiento de un parque eólico para minimizar la pérdida de generación acumulada.
Graph Neural Network GNN
Red neuronal que opera sobre datos estructurados como grafos —nodos y conexiones— propagando información entre nodos vecinos mediante paso de mensajes, de forma que las representaciones aprendidas capturan la topología del sistema.
Ejemplo: Predecir congestiones y caídas de tensión en una red eléctrica de distribución modelando subestaciones como nodos y líneas como aristas.
Grid Search Búsqueda en rejilla
Método de ajuste de hiperparámetros que evalúa de forma exhaustiva todas las combinaciones de una malla de valores predefinidos, normalmente con validación cruzada.
Ejemplo: probar todas las combinaciones de profundidad y número de árboles de un Random Forest que predice el consumo eléctrico de una planta.
Gaussian Process Proceso gaussiano
Método no paramétrico que trata una función desconocida como una distribución de probabilidad sobre funciones, de modo que cada predicción llega acompañada de su incertidumbre.
Ejemplo: Un proceso gaussiano ajusta la curva de rendimiento de un compresor con pocos ensayos y señala en qué caudales la predicción es poco fiable.
Hiperparámetro
Parámetro de configuración de un modelo que NO se aprende durante el entrenamiento sino que se decide antes (tasa de aprendizaje, número de capas, tamaño de batch).
Ejemplo: ajustar hiperparámetros es una parte crítica del trabajo del data scientist y determina si el modelo aprende bien o se queda atascado.
HallucinationAlucinación
Cuando un LLM responde algo que suena coherente pero es factualmente falso o inventado. Es uno de los principales riesgos al usar IA generativa en entornos críticos.
Ejemplo: un chatbot industrial sin RAG inventa una referencia de pieza inexistente; conectado al ERP vía RAG devuelve la referencia real del catálogo y reduce las alucinaciones casi a cero.
Human-in-the-Loop HITL Humano en el bucle
Diseño en el que una persona revisa, corrige o aprueba las decisiones de un sistema de IA en puntos definidos, y esas correcciones se usan para mejorar el modelo.
Ejemplo: En una subestación, el modelo propone una maniobra de reconfiguración de la red y el operador del centro de control la valida antes de ejecutarla.
Hybrid Modeling Modelado híbrido
Enfoque que combina un modelo de primeros principios (balances de masa y energía, ecuaciones físicas) con un modelo de aprendizaje automático que aprende la parte del comportamiento que la física no explica bien.
Ejemplo: un modelo de horno de clínker que calcula el balance térmico con ecuaciones y usa una red neuronal para estimar la eficiencia de combustión, que cambia con el combustible alternativo de cada día.
Inferencia
Fase en la que un modelo ya entrenado se usa para hacer predicciones sobre datos nuevos. A diferencia del entrenamiento, la inferencia es rápida y se ejecuta en producción.
Ejemplo: el modelo predictivo de tu planta industrial pasa la mayor parte de su vida útil haciendo inferencia: prediciendo consumo, anticipando fallos, etc.
Inteligencia ArtificialIA
Disciplina que desarrolla sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: percepción, razonamiento, lenguaje, decisión.
Ejemplo: en industria, la IA optimiza consumos, anticipa fallos, planifica producción y propone setpoints a operarios — sin sustituir la decisión humana, sino apoyándola.
Isolation Forest Bosque de aislamiento
Algoritmo de detección de anomalías que construye árboles con particiones aleatorias: las observaciones que quedan aisladas con pocas divisiones reciben una puntuación de anomalía alta. No requiere datos etiquetados.
Ejemplo: Señalar lecturas atípicas de caudal y presión en una red de agua industrial sin disponer de un histórico de fallos etiquetado.
Imitation Learning Aprendizaje por imitación
Técnica en la que un agente aprende una política de control a partir de demostraciones de un experto, en lugar de descubrirla por prueba y error con una recompensa.
Ejemplo: Un robot de soldadura aprende la trayectoria del cordón a partir de las pasadas que un soldador experto graba guiando el brazo a mano.
Instance Segmentation Segmentación de instancias
Tarea de visión artificial que detecta cada objeto de una imagen y delimita su contorno píxel a píxel, distinguiendo entre objetos de la misma clase.
Ejemplo: contar y medir una a una las piezas apiladas en una bandeja, aunque se toquen entre sí, para guiar a un robot de picking.
Knowledge GraphGrafo de conocimiento
Estructura de datos que representa entidades (equipos, productos, personas, eventos) y las relaciones entre ellas en forma de grafo, permitiendo razonamientos complejos sobre el dominio.
Ejemplo: en una refinería, un grafo de conocimiento conecta cada bomba con su histórico de incidencias, repuestos, planos y técnicos formados, acelerando la resolución de averías.
Kalman Filter Filtro de Kalman
Algoritmo recursivo que estima el estado de un sistema dinámico a partir de mediciones ruidosas e incompletas, combinando una fase de predicción y otra de corrección para lograr estimaciones más precisas.
Ejemplo: En una turbina de gas, un filtro de Kalman fusiona lecturas de varios sensores de vibración y temperatura para estimar el estado real del eje.
Knowledge DistillationDestilación de conocimiento
Técnica que transfiere el conocimiento de un modelo grande y preciso («profesor») a otro más pequeño y rápido («alumno»), conservando gran parte del rendimiento con una fracción del coste computacional.
Ejemplo: un modelo destilado de inspección visual se ejecuta en la cámara Edge de la línea con casi la misma precisión que el modelo grande del servidor.
k-Nearest Neighbors k-NN k vecinos más cercanos
Algoritmo que clasifica o predice un dato nuevo a partir de los k ejemplos más parecidos del conjunto de entrenamiento según una medida de distancia. No construye un modelo explícito: compara contra los datos guardados.
Ejemplo: Un sistema de diagnóstico compara la firma de vibración de una bomba con las cinco firmas históricas más cercanas y asigna el tipo de fallo más frecuente entre ellas.
LLMLarge Language Model
Modelo de IA entrenado con grandes cantidades de texto que puede generar, resumir, traducir o responder en lenguaje natural. GPT, Claude, Llama o Mistral son ejemplos conocidos.
Ejemplo: un LLM industrial conectado a tus datos de planta puede responder preguntas en lenguaje natural sobre históricos, partes de mantenimiento o consumos.
LSTM Long Short-Term Memory
Variante de red neuronal recurrente con celdas de memoria y compuertas (entrada, olvido y salida) que captura dependencias de largo plazo y mitiga el problema del gradiente que se desvanece.
Ejemplo: Una red LSTM predice la demanda eléctrica diaria de una planta industrial a partir de meses de consumo previo.
LoRALow-Rank Adaptation
Técnica de fine-tuning eficiente que congela los pesos del modelo original y entrena solo unas pequeñas matrices de bajo rango añadidas, reduciendo drásticamente la memoria y el coste de adaptar un LLM.
Ejemplo: una ingeniería adapta un LLM al vocabulario de sus partes de mantenimiento con LoRA en una sola GPU, sin reentrenar los miles de millones de parámetros del modelo base.
Linear Programming Programación lineal
Método de optimización matemática que busca el mejor valor de una función objetivo lineal sujeta a restricciones lineales. Es una herramienta clásica para asignar recursos limitados de forma óptima.
Ejemplo: una planta usa programación lineal para repartir la carga entre varias calderas y minimizar el coste energético cumpliendo la demanda y los límites de cada equipo.
LiDAR Light Detection and Ranging
Tecnología de teledetección que mide distancias mediante pulsos láser y genera representaciones tridimensionales del entorno.
Ejemplo: Un dron con LiDAR inspecciona líneas de transmisión y detecta la vegetación demasiado cercana a los conductores.
Learning Rate Tasa de aprendizaje
Hiperparámetro que fija cuánto se modifican los pesos del modelo en cada paso del descenso de gradiente. Si es muy baja el entrenamiento tarda demasiado; si es muy alta, el modelo oscila y nunca converge.
Ejemplo: Al entrenar un predictor de consumo eléctrico de una línea de extrusión, bajar la tasa de aprendizaje de 0,01 a 0,001 estabilizó la pérdida que antes rebotaba entre épocas.
Load Forecasting Predicción de demanda eléctrica
Predicción de la cantidad de electricidad (potencia en kW o energía en kWh) que se necesitará en un momento y lugar dados, desde horas hasta años vista. Los operadores de red y las plantas la usan para planificar generación, compras y arranques.
Ejemplo: Un modelo entrenado con histórico de consumo, calendario de producción y previsión meteorológica anticipa la demanda horaria de una acería para contratar energía en el mercado diario.
Loss Function Función de pérdida
Función que cuantifica la diferencia entre las predicciones del modelo y los valores reales; entrenar consiste en ajustar los parámetros para minimizarla. El error cuadrático medio es habitual en regresión y la entropía cruzada en clasificación.
Ejemplo: Para un modelo que estima el contenido de humedad a la salida de un secadero, se elige el error absoluto medio como pérdida porque penaliza menos los valores atípicos de los sensores.
Logistic Regression Regresión logística
Modelo de clasificación que estima la probabilidad de que un caso pertenezca a una clase aplicando una función sigmoide a una combinación lineal de las variables de entrada.
Ejemplo: Con la presión, la temperatura del molde y el tiempo de ciclo, una regresión logística estima la probabilidad de que una pieza inyectada salga con rebabas.
LIME Local Interpretable Model-agnostic Explanations
Técnica de explicabilidad que justifica una predicción concreta ajustando, alrededor de ese caso, un modelo simple que imita al original y muestra qué variables pesaron más en la decisión.
Ejemplo: explicar por qué el modelo marcó un lote de acero como fuera de especificación: en ese lote, la temperatura de laminación y el contenido de carbono fueron las variables con más peso.
Machine LearningAprendizaje automático
Rama de la IA en la que las máquinas aprenden patrones a partir de datos, sin ser programadas explícitamente para cada caso.
Ejemplo: en lugar de codificar reglas como "si la temperatura sube 5°C, alerta", un sistema de ML aprende automáticamente qué patrones de variables anteceden a un fallo.
MLOps
Conjunto de prácticas y herramientas para desplegar, monitorizar y mantener modelos de Machine Learning en producción de forma fiable y escalable. El equivalente a DevOps para IA.
Ejemplo: MLOps incluye pipelines de reentrenamiento, monitorización del drift del modelo y roll-back si una versión nueva empeora resultados.
Multimodal AI IA multimodal
Modelos de IA capaces de procesar e integrar a la vez varios tipos de datos (texto, imagen, audio, vídeo o señales) para lograr una comprensión más completa que la de un solo tipo de dato.
Ejemplo: un asistente multimodal combina la foto de una avería, la lectura de vibración y el histórico de texto del equipo para sugerir la causa más probable.
Model CardTarjeta de modelo
Documento estandarizado que acompaña a un modelo de IA y describe su propósito, datos de entrenamiento, métricas, limitaciones y usos previstos, facilitando la transparencia y la auditoría.
Ejemplo: antes de desplegar el modelo de mantenimiento predictivo, el equipo publica su model card interna para que calidad y seguridad validen sus límites de uso.
Mixture of ExpertsMezcla de expertos
Arquitectura de red neuronal que sustituye capas densas por un conjunto de subredes especializadas («expertos») y una red de enrutamiento que activa solo las más adecuadas para cada entrada, escalando el tamaño del modelo con mucho menos coste de cómputo.
Ejemplo: Un LLM industrial con mezcla de expertos enruta las consultas de mantenimiento eléctrico y las de proceso químico a expertos distintos, dando respuestas especializadas sin activar todo el modelo.
Model RegistryRegistro de modelos
Repositorio centralizado que gestiona el ciclo de vida de los modelos de machine learning: versiona, etiqueta, documenta el linaje y controla la promoción de cada modelo entre desarrollo, pruebas y producción.
Ejemplo: Antes de que un modelo de mantenimiento predictivo controle variables de planta, el equipo lo guarda en el registro de modelos con su versión y métricas, y puede revertir a una versión anterior si empeora.
Model Predictive Control MPC Control predictivo basado en modelo
Técnica de control avanzado que en cada instante usa un modelo dinámico del proceso para predecir su comportamiento futuro y resolver una optimización con restricciones sobre un horizonte móvil, aplicando solo la primera acción calculada y repitiendo el cálculo en el paso siguiente.
Ejemplo: Mantener la calidad del producto en una columna de destilación respetando límites de temperatura y presión mientras se minimiza el consumo de vapor.
Monte Carlo Simulation Simulación de Montecarlo
Método numérico que estima resultados y probabilidades ejecutando miles de simulaciones con variables de entrada muestreadas al azar según su distribución.
Ejemplo: Una eléctrica simula miles de escenarios de viento y demanda para estimar la probabilidad de déficit de generación del mes siguiente.
Multi-Task Learning Aprendizaje multitarea
Paradigma en el que un mismo modelo aprende varias tareas relacionadas a la vez, compartiendo representaciones internas que actúan como regularización y mejoran el rendimiento de cada tarea.
Ejemplo: una única red que predice a la vez la calidad del producto y el consumo energético de una línea de extrusión.
Neural NetworkRed neuronal
Modelo computacional inspirado en el funcionamiento del cerebro, compuesto por capas de neuronas artificiales que transforman entradas en salidas.
Ejemplo: es el bloque base del Deep Learning. Las redes neuronales modernas pueden tener millones de neuronas distribuidas en decenas de capas.
NLPNatural Language Processing
Rama de la IA que se ocupa de procesar y entender el lenguaje humano: comprensión, generación, traducción, clasificación de textos.
Ejemplo: el NLP es lo que permite a un asistente industrial entender la pregunta "¿cuánto energía consumió el horno 3 ayer?" y responder con el dato exacto.
Named Entity Recognition NER Reconocimiento de entidades nombradas
Tarea de procesamiento de lenguaje natural que localiza en un texto entidades como personas, organizaciones, lugares, fechas o cantidades y las clasifica por categoría.
Ejemplo: Sobre partes de avería escritos a mano libre, el NER extrae el equipo, el código de repuesto y la fecha para alimentar el historial del GMAO.
Neural ODE Ecuación diferencial ordinaria neuronal
Modelo en el que una red neuronal define la derivada del estado de un sistema y un integrador numérico calcula su evolución en el tiempo. Encaja con dinámicas continuas y con datos tomados a intervalos irregulares.
Ejemplo: Una Neural ODE aprende la curva de calentamiento de un transformador de potencia a partir de lecturas de temperatura registradas a intervalos irregulares.
NILM Non-Intrusive Load Monitoring Monitorización no intrusiva de cargas
Técnica que estima el consumo de cada equipo a partir de una única medida agregada de potencia, reconociendo la firma eléctrica de cada carga sin instalar medidores individuales.
Ejemplo: desagregar el contador general de una nave para saber cuánta energía gastan por separado los compresores, la climatización y los hornos.
OverfittingSobreajuste
Fenómeno en el que un modelo memoriza los datos de entrenamiento en lugar de aprender patrones generalizables. Funciona muy bien con lo conocido y muy mal con lo nuevo.
Ejemplo: un modelo con overfitting predice perfectamente los datos de los últimos 3 años pero falla cuando entra un lote de materia prima distinto al habitual.
OCRReconocimiento óptico de caracteres
Tecnología que convierte texto contenido en imágenes o PDFs escaneados en texto digital editable y procesable por software, base de la automatización documental industrial.
Ejemplo: un OCR extrae automáticamente lotes, fechas y referencias de albaranes en papel y los carga al ERP sin intervención humana, eliminando errores de transcripción.
Object Detection Detección de objetos
Tarea de visión artificial que localiza los objetos presentes en una imagen y clasifica cada uno, dibujando un recuadro alrededor de su posición. Combina localización y clasificación en una sola pasada.
Ejemplo: un sistema de detección de objetos identifica y ubica los EPIs (casco, guantes, chaleco) de cada operario en las cámaras de planta para verificar el cumplimiento de seguridad.
One-Hot Encoding Codificación one-hot
Técnica que convierte una variable categórica en un vector numérico de N elementos, donde solo la posición correspondiente a la categoría vale 1 y el resto vale 0, permitiendo que los modelos procesen datos no numéricos.
Ejemplo: Representar el tipo de material procesado en cada lote como entrada de un modelo que predice el consumo energético de la línea.
Optical Flow Flujo óptico
Patrón de movimiento aparente de los píxeles entre imágenes consecutivas de un vídeo, representado como un campo de vectores de desplazamiento.
Ejemplo: El flujo óptico sobre la cámara de una cinta transportadora mide la velocidad real del material y detecta el patinaje de la banda.
Observability Observabilidad
Propiedad de un sistema que indica si su estado interno puede deducirse a partir de las medidas disponibles en un intervalo finito de tiempo. Si un sistema no es observable, ningún estimador podrá reconstruir esas variables.
Ejemplo: antes de instalar un filtro de Kalman en un reactor se comprueba si las sondas de temperatura y presión bastan para deducir la concentración interna que nadie mide.
OPC UA Open Platform Communications Unified Architecture
Estándar de comunicación industrial (IEC 62541) independiente de fabricante que transporta los datos de planta junto con su descripción semántica y con seguridad integrada.
Ejemplo: un modelo de consumo energético lee los contadores de varias líneas de envasado por OPC UA sin necesitar un driver distinto por cada PLC.
Physics-Informed Neural NetworksPINNs
Redes neuronales que incorporan ecuaciones físicas conocidas del proceso durante su entrenamiento. Combinan datos reales con leyes físicas para predicciones más fiables y defendibles.
Ejemplo: en plantas de acero, una PINN respeta las leyes de transferencia térmica del horno además de aprender de los datos históricos, lo que produce predicciones que ingeniería puede defender técnicamente.
Prompt
Instrucción o pregunta que se da a un modelo de IA generativa (típicamente un LLM) para obtener una respuesta concreta. La calidad del prompt afecta directamente a la calidad de la respuesta.
Ejemplo: el prompt engineering es la disciplina de escribir buenas instrucciones para extraer el máximo valor de un modelo de lenguaje.
Predictive MaintenanceMantenimiento predictivo
Estrategia de mantenimiento basada en modelos de IA que analizan datos de sensores (vibración, temperatura, consumo) para anticipar fallos antes de que ocurran y planificar la intervención.
Ejemplo: un modelo de mantenimiento predictivo avisa con 10 días de antelación de un fallo inminente en un compresor, evitando una parada no planificada de toda la línea.
Precision y RecallPrecisión y exhaustividad
Dos métricas complementarias de clasificación: la precisión mide qué proporción de las alertas del modelo son correctas y el recall qué proporción de los casos reales consigue detectar.
Ejemplo: en detección de fugas se prioriza el recall (no dejar escapar ninguna fuga real) aceptando algo menos de precisión (alguna falsa alarma más).
Perplexity Perplejidad
Métrica que evalúa un modelo de lenguaje midiendo cuánto se sorprende al predecir un texto; cuanto menor es la perplejidad, mejor anticipa el modelo la siguiente palabra.
Ejemplo: Al comparar dos LLM afinados con documentación de planta, el equipo elige el de menor perplejidad sobre sus manuales técnicos por predecir mejor su vocabulario.
Principal Component AnalysisPCA
Técnica estadística de reducción de dimensionalidad que transforma variables correlacionadas en un conjunto menor de componentes principales, ordenados por la varianza que explican, conservando la mayor información posible.
Ejemplo: Con PCA se comprimen decenas de señales correlacionadas de sensores de un motor en unos pocos componentes que resumen su estado y facilitan detectar desviaciones.
Particle Swarm Optimization PSO Optimización por enjambre de partículas
Algoritmo de optimización basado en poblaciones en el que un conjunto de partículas recorre el espacio de búsqueda ajustando su trayectoria según su mejor posición y la mejor del enjambre.
Ejemplo: Se aplica PSO para ajustar los parámetros de los controladores de una planta de tratamiento de aguas y minimizar su consumo energético.
Prognostics and Health Management PHM Gestión del pronóstico y la salud de activos
Disciplina que integra monitorización de condición, diagnóstico de fallos y pronóstico de vida útil para decidir cuándo intervenir un activo.
Ejemplo: Un programa PHM en una flota de bombas de refinería prioriza las paradas según el deterioro estimado de cada equipo.
Point Cloud Nube de puntos
Conjunto de puntos con coordenadas 3D, a menudo con color o intensidad, que representa la superficie de objetos o entornos capturados con LiDAR, fotogrametría o escáneres 3D.
Ejemplo: escanear una nave industrial con LiDAR para obtener la nube de puntos de partida del gemelo digital de la planta.
Pose Estimation Estimación de la pose
Determinación de la posición y la orientación de un objeto, o de las articulaciones de una persona, a partir de imágenes de cámara.
Ejemplo: Un robot de paletizado calcula la pose de cada saco sobre el palé para agarrarlo por el punto correcto.
Partial Dependence Plot PDP Gráfico de dependencia parcial
Curva que muestra el efecto medio de una variable sobre la predicción de un modelo, promediando el resto de variables. Sirve para leer un modelo opaco sin abrirlo.
Ejemplo: ver que el consumo específico previsto sube a partir de un 8 % de exceso de oxígeno y usar ese punto como límite de consigna.
Prescriptive Analytics Analítica prescriptiva
Analítica que, además de prever lo que va a pasar, propone la acción a tomar combinando modelos predictivos con optimización y con las restricciones reales del proceso.
Ejemplo: el sistema no solo prevé el pico de demanda eléctrica, también indica qué hornos adelantar y cuáles retrasar para no superar la potencia contratada.
Process Mining Minería de procesos
Conjunto de técnicas que reconstruyen, verifican y mejoran el flujo real de un proceso a partir de registros de eventos (identificador de caso, actividad y marca de tiempo) extraídos de sistemas como ERP o MES. Muestra cómo ocurre el proceso de verdad, no cómo está documentado.
Ejemplo: Aplicado a las órdenes de trabajo del MES de una planta de envasado, revela que el 30 por ciento de los lotes pasa dos veces por control de calidad por un retrabajo no documentado.
Proximal Policy Optimization PPO Optimización de política proximal
Algoritmo de aprendizaje por refuerzo que mejora la política del agente en pasos pequeños, limitando cuánto puede cambiar en cada actualización para que el entrenamiento sea estable.
Ejemplo: entrenar en simulación un agente que decide cuándo cargar y descargar una batería instalada junto a una planta solar según el precio horario de la electricidad.
Quantization Cuantización
Técnica de optimización que reduce la precisión numérica de un modelo (por ejemplo de 32 a 8 bits) para que ocupe menos memoria y haga inferencia más rápido, con una pérdida mínima de exactitud.
Ejemplo: tras cuantizar el modelo, una cámara con Edge AI ejecuta la inspección en la propia planta, sin necesidad de un servidor potente ni de enviar datos al cloud.
Q-Learning
Algoritmo de aprendizaje por refuerzo sin modelo que aprende el valor esperado (valor Q) de cada acción en cada estado y elige la acción con mayor recompensa acumulada.
Ejemplo: Un agente Q-learning aprende cuándo arrancar y parar los compresores de una cámara frigorífica para mantener la temperatura con el menor coste eléctrico según la tarifa horaria.
Quantile Regression Regresión cuantílica
Regresión que estima cuantiles concretos de la variable objetivo, por ejemplo el 10 % y el 90 %, en lugar de solo la media. El resultado son bandas de predicción.
Ejemplo: El operador de un parque eólico pronostica la producción del día siguiente con los cuantiles 10 y 90 para decidir cuánta energía ofertar en el mercado.
RAGRetrieval-Augmented Generation
Técnica que combina un LLM con una base de conocimiento propia. Antes de responder, el modelo recupera información relevante de tus documentos y la usa para generar la respuesta.
Ejemplo: un asistente industrial con RAG puede responder sobre tus históricos de planta concretos, no solo sobre conocimiento general.
Red Neuronal
Versión en español de Neural Network. Modelo computacional formado por capas de unidades de procesamiento conectadas entre sí que aprenden patrones a partir de datos.
Ejemplo: ver entrada "Neural Network" para detalle. Es el bloque base de toda la familia de Deep Learning.
Random ForestBosque aleatorio
Algoritmo de machine learning que combina muchos árboles de decisión entrenados sobre subconjuntos aleatorios de los datos. Suele dar predicciones robustas y resistentes al sobreajuste.
Ejemplo: un Random Forest predice el consumo energético horario de una nave industrial usando 30 variables (clima, turnos, producción prevista) con un error inferior al 5%.
RNN Recurrent Neural Network
Red neuronal profunda diseñada para datos secuenciales o series temporales que conserva una «memoria» de las entradas anteriores para influir en la salida actual.
Ejemplo: En un parque eólico, una red recurrente analiza la secuencia histórica de velocidad del viento para anticipar la generación de las próximas horas.
Reduced Order Model Modelo de orden reducido
Representación matemática simplificada de un sistema físico complejo que reduce en órdenes de magnitud el coste computacional preservando su comportamiento dominante.
Ejemplo: Una empresa energética integra un modelo de orden reducido de un intercambiador de calor en su gemelo digital para simularlo en tiempo real.
RLHFReinforcement Learning from Human Feedback
Técnica de entrenamiento en la que las preferencias de evaluadores humanos se usan como señal de recompensa para alinear las respuestas de un modelo de lenguaje con lo que se considera útil y seguro.
Ejemplo: el asistente de operarios de una planta se afina con RLHF usando valoraciones de los propios técnicos, para que priorice respuestas seguras y accionables.
ROC-AUC Área bajo la curva ROC
Métrica que resume en un único número la capacidad de un clasificador para distinguir entre clases a lo largo de todos los umbrales. Vale de 0 a 1 y es robusta incluso con clases desbalanceadas.
Ejemplo: al comparar dos modelos de detección de fugas, el equipo elige el de mayor ROC-AUC porque separa mejor los casos de fuga de los normales sin depender de un umbral concreto.
Regularization Regularización
Conjunto de técnicas, como L1, L2, dropout o early stopping, que penalizan la complejidad de un modelo durante el entrenamiento para evitar el sobreajuste y mejorar su generalización a datos nuevos.
Ejemplo: Al añadir regularización L2, el modelo de predicción de consumo eléctrico deja de memorizar picos puntuales del histórico y acierta mejor en semanas nunca vistas.
Reranking Reordenación
Segunda etapa de recuperación en la que un modelo más preciso reordena por relevancia los documentos recuperados inicialmente, reduciendo el ruido antes de pasarlos a un LLM. Es una pieza clave en los sistemas RAG.
Ejemplo: Tras una búsqueda inicial rápida en los manuales de planta, un reranker sitúa arriba el procedimiento exacto de la avería y reduce las alucinaciones del asistente.
Remaining Useful Life RUL Vida útil restante
Estimación del tiempo —en horas de operación, ciclos o unidades equivalentes— que un activo puede seguir funcionando dentro de especificación antes de alcanzar un umbral de fallo. Es la salida central de los modelos de pronóstico de activos.
Ejemplo: Estimar cuántos ciclos le quedan a un rodamiento de turbina de gas para programar su cambio en la siguiente parada planificada.
Recommender System Sistema de recomendación
Sistema de filtrado de información que ordena elementos según lo que predice que interesará a un usuario, a partir de su comportamiento previo o del de usuarios parecidos.
Ejemplo: En un catálogo de repuestos industriales sugiere al técnico las piezas que suelen sustituirse junto con la que acaba de pedir.
Root Cause Analysis RCA Análisis de causa raíz
Método para encontrar el origen de un fallo o desviación en lugar de tratar solo sus síntomas. La IA lo apoya cruzando alarmas, variables de proceso y registros de mantenimiento para ordenar las causas probables.
Ejemplo: tras el disparo de una turbina, ordenar por probabilidad las posibles causas a partir de la secuencia de alarmas y las vibraciones de las horas previas.
SHAPSHapley Additive exPlanations
Técnica de IA explicable (XAI) que asigna a cada variable un valor que indica cuánto ha contribuido a una predicción concreta del modelo, haciendo auditables sus decisiones.
Ejemplo: tras una alarma de calidad, SHAP muestra que la temperatura del molde y la velocidad de la prensa han sido las dos variables decisivas, permitiendo al equipo ajustar el setpoint correcto.
Synthetic Data Datos sintéticos
Datos artificiales generados por simulación o por IA que imitan a los reales. Permiten entrenar modelos cuando los datos reales son escasos, costosos o sensibles.
Ejemplo: ante la falta de ejemplos de un fallo poco frecuente, se generan datos sintéticos de esa avería para que el modelo de mantenimiento predictivo aprenda a reconocerla.
Surrogate Model Modelo sustituto
Modelo de aprendizaje automático que aproxima una simulación física de alto coste computacional, permitiendo evaluar el comportamiento del sistema en nuevos puntos de diseño de forma mucho más rápida.
Ejemplo: Un fabricante entrena un modelo sustituto con resultados de CFD para optimizar el diseño de álabes sin repetir miles de simulaciones completas.
Semantic Segmentation Segmentación semántica
Tarea de visión artificial que clasifica cada píxel de una imagen en una categoría predefinida, generando una máscara que delimita las regiones de cada clase.
Ejemplo: En una planta solar, la segmentación semántica de imágenes de dron etiqueta píxel a píxel los paneles dañados frente a los operativos.
Self-Supervised Learning Aprendizaje autosupervisado
Técnica en la que el modelo genera sus propias etiquetas a partir de datos sin anotar, aprendiendo a predecir una parte de la entrada desde otra. Reduce drásticamente la necesidad de etiquetado manual.
Ejemplo: un modelo aprende representaciones útiles de millones de imágenes de inspección sin etiquetar y luego basta con unos pocos ejemplos anotados para especializarlo en detectar un defecto concreto.
Semantic Search Búsqueda semántica
Técnica de búsqueda que interpreta la intención y el significado de la consulta, no solo las palabras exactas, para devolver resultados relevantes aunque se expresen de otra forma.
Ejemplo: Un operario describe que el motor 3 vibra y la búsqueda semántica recupera partes que hablan de desalineación de rodamientos aunque no coincida ninguna palabra literal.
Support Vector MachineSVM
Algoritmo de aprendizaje supervisado que clasifica datos buscando el hiperplano óptimo que maximiza el margen entre clases; con funciones kernel resuelve también problemas no lineales.
Ejemplo: Una SVM clasifica muestras de aceite de un transformador como «normal» o «degradado» a partir de sus parámetros fisicoquímicos, separando ambas clases con el máximo margen.
Soft Sensor Sensor virtual
Modelo de software que estima en tiempo real una variable difícil o costosa de medir a partir de otras señales del proceso fáciles de medir. También se denomina sensor inferencial.
Ejemplo: Estimar de forma continua la concentración de producto en un reactor a partir de temperaturas, caudales y presiones, evitando esperar al análisis de laboratorio.
Sensor Fusion Fusión de sensores
Técnica que combina datos de varios sensores para obtener una estimación más precisa y con menos incertidumbre que la que ofrecería cualquiera de ellos por separado.
Ejemplo: En un aerogenerador se fusionan acelerómetros, sensores de temperatura y datos SCADA para detectar antes un fallo incipiente en la multiplicadora.
State Estimation Estimación de estado
Proceso que infiere las variables internas no medidas de un sistema a partir de mediciones ruidosas o incompletas y de un modelo del proceso.
Ejemplo: Los operadores de la red eléctrica ejecutan la estimación de estado cada pocos segundos para reconstruir tensiones y flujos de toda la malla.
Sim-to-Real Transferencia de simulación a realidad
Enfoque que entrena modelos, habitualmente de control o aprendizaje por refuerzo, en un simulador y los transfiere al equipo físico, cerrando la brecha con técnicas como la aleatorización de dominio.
Ejemplo: entrenar en un gemelo digital la política de control de un brazo robótico de paletizado antes de desplegarla en el robot real.
SMOTE Synthetic Minority Over-sampling Technique
Técnica que equilibra conjuntos de datos desbalanceados generando ejemplos sintéticos de la clase minoritaria por interpolación entre vecinos cercanos, en lugar de duplicar los existentes.
Ejemplo: generar ejemplos sintéticos de avería para entrenar un clasificador de fallos de rodamientos donde solo el 2 % del histórico son fallos reales.
Survival Analysis Análisis de supervivencia
Familia de métodos estadísticos que modelan el tiempo hasta un evento, como un fallo, manejando datos censurados: activos que aún no han fallado al cierre del estudio.
Ejemplo: estimar la probabilidad de que un transformador supere los 5.000 días de servicio a partir del histórico de fallos de la flota.
Speech Recognition ASR Reconocimiento automático del habla
Tecnología que convierte el habla en texto escrito. También se la llama ASR o voz a texto.
Ejemplo: Un operario dicta el parte de turno desde la planta y el sistema lo transcribe directamente al registro de producción.
SCADA Supervisory Control and Data Acquisition
Sistema de supervisión y adquisición de datos que centraliza las señales de campo, muestra el estado del proceso y permite actuar sobre él. Es la fuente habitual de los históricos con los que se entrenan los modelos industriales.
Ejemplo: los diez años de históricos del SCADA de un parque eólico sirven de base para el modelo que anticipa fallos de multiplicadora.
Spectrogram Espectrograma
Representación de cómo se reparte la energía de una señal entre frecuencias a lo largo del tiempo. Convierte una señal temporal en una imagen que las redes de visión pueden clasificar.
Ejemplo: las vibraciones de un ventilador de tiro inducido se pasan a espectrograma y una CNN distingue desequilibrio de desalineación.
Self-Organizing Map SOM Mapa autoorganizado
Red neuronal no supervisada, propuesta por Kohonen, que proyecta datos de muchas variables sobre una rejilla de dos dimensiones conservando la vecindad: los estados de proceso parecidos caen cerca.
Ejemplo: situar el punto de operación de un horno de vidrio sobre un mapa donde cada zona corresponde a una receta y se ve la deriva hacia una región de rechazo.
Small Language Model SLM Modelo de lenguaje pequeño
Modelo de lenguaje con pocos parámetros, de cientos de millones a unos pocos miles de millones, que se ejecuta en servidores locales o equipos de borde con menos memoria y coste que un LLM.
Ejemplo: Un SLM instalado en un servidor de la propia planta responde consultas sobre los manuales de mantenimiento sin enviar datos fuera de la red.
SINDy Sparse Identification of Nonlinear Dynamics
Método que obtiene las ecuaciones diferenciales de un sistema a partir de datos, eligiendo de una biblioteca de funciones candidatas el menor número de términos que reproducen su dinámica.
Ejemplo: deducir de los datos de temperatura y caudal una ecuación compacta de cómo se calienta un reactor, que los ingenieros de proceso pueden leer y validar.
System Identification Identificación de sistemas
Disciplina que construye modelos matemáticos de un sistema dinámico a partir de medidas de sus entradas y salidas.
Ejemplo: aplicar escalones en la válvula de vapor de un intercambiador y ajustar con esos datos un modelo de primer orden con retardo para sintonizar su controlador PID.
Transfer LearningAprendizaje por transferencia
Técnica que reutiliza un modelo entrenado en un dominio (con muchos datos) para resolver un problema parecido en otro dominio (con pocos datos). Ahorra meses de entrenamiento.
Ejemplo: partir de un modelo entrenado en millones de imágenes generales y adaptarlo a detectar defectos específicos de una línea de producción con solo unos cientos de imágenes propias.
Transformer
Arquitectura de red neuronal aparecida en 2017 que revolucionó la IA, especialmente en lenguaje. Es la base de los LLMs modernos: GPT, Claude, BERT, Llama, Mistral.
Ejemplo: el mecanismo de atención del Transformer permite procesar secuencias largas en paralelo, lo que lo hace mucho más rápido y potente que las arquitecturas anteriores.
Time Series ForecastingPredicción de series temporales
Conjunto de técnicas estadísticas y de deep learning (ARIMA, Prophet, LSTM, Temporal Fusion Transformer) usadas para anticipar valores futuros de variables que evolucionan en el tiempo.
Ejemplo: un modelo de forecasting predice la demanda eléctrica de la planta cada 15 minutos para optimizar la contratación de energía y reducir la factura.
Tokenization Tokenización
Paso previo del procesamiento de lenguaje natural que divide un texto en unidades mínimas (tokens), palabras o fragmentos, para que un modelo pueda procesarlo.
Ejemplo: antes de analizar miles de partes de mantenimiento, el sistema los tokeniza para que el LLM industrial entienda términos técnicos y abreviaturas propias de la planta.
t-SNE t-Distributed Stochastic Neighbor Embedding
Técnica de reducción de dimensionalidad no lineal que proyecta datos de alta dimensión en dos o tres dimensiones preservando la vecindad local, útil para visualizar agrupaciones.
Ejemplo: Un ingeniero visualiza con t-SNE miles de firmas de vibración y descubre que los fallos por desalineación forman un grupo separado.
Temperature Temperatura de muestreo
Parámetro que ajusta cuánto se afila o se aplana la distribución de probabilidad de un modelo generativo al elegir el siguiente token. Valores bajos dan salidas más deterministas y valores altos, más variadas.
Ejemplo: Un generador de informes de planta trabaja con temperatura 0,2 para que las cifras y el formato salgan iguales en cada ejecución.
Topic Modeling Modelado de temas
Familia de métodos no supervisados que descubren los temas latentes de una colección de documentos agrupando las palabras que tienden a aparecer juntas. LDA es el algoritmo más extendido.
Ejemplo: agrupar 40.000 partes de mantenimiento de una acería para ver qué proporción habla de fugas hidráulicas, de rodamientos o de paradas eléctricas.
Temporal Convolutional Network TCN Red convolucional temporal
Arquitectura de red neuronal para secuencias que usa convoluciones causales y dilatadas, de modo que cada predicción depende solo del pasado y puede abarcar ventanas largas de historia.
Ejemplo: predecir la generación de un parque eólico en las próximas horas a partir de varios días de datos de viento y potencia de cada aerogenerador.
UnderfittingSubajuste
Lo contrario del overfitting: el modelo es demasiado simple y no captura los patrones reales de los datos. Predice mal tanto en entrenamiento como en producción.
Ejemplo: un modelo lineal aplicado a un proceso industrial con relaciones no lineales sufrirá underfitting. La señal está en los datos, pero el modelo no la ve.
Uncertainty QuantificationCuantificación de la incertidumbre
Conjunto de técnicas que estiman el grado de confianza de las predicciones de un modelo, entregando una distribución de resultados en lugar de un único valor. Es clave para una gestión de riesgo fiable en entornos críticos.
Ejemplo: Un modelo de vida útil de un álabe acompaña cada predicción con su cuantificación de la incertidumbre, de modo que ingeniería programa la inspección con un margen de seguridad basado en la confianza estimada.
UMAP Uniform Manifold Approximation and Projection
Técnica de reducción de dimensionalidad que proyecta datos de muchas variables en 2 o 3 dimensiones preservando la estructura local y buena parte de la global, con mayor rapidez que t-SNE.
Ejemplo: proyectar miles de firmas de vibración de turbinas en un mapa 2D donde los regímenes anómalos aparecen como grupos separados.
Validación cruzada
Técnica para evaluar la robustez de un modelo entrenándolo varias veces con diferentes particiones de los datos, asegurando que su rendimiento no depende del azar de la división.
Ejemplo: en lugar de partir los datos una sola vez en 80/20, se hace 5 veces con diferentes splits y se promedia. Da una medida más fiable del rendimiento esperado en producción.
Vector DatabaseBase de datos vectorial
Base de datos diseñada para almacenar e indexar embeddings (vectores numéricos) y recuperarlos por similitud semántica, no solo por coincidencia exacta. Es la pieza clave de los sistemas RAG.
Ejemplo: un asistente IA recupera al instante los procedimientos más parecidos a una consulta del operario buscando sobre una base vectorial con miles de manuales internos.
Vision Transformer ViT
Arquitectura que aplica el mecanismo de los Transformers a imágenes: divide la imagen en parches, los convierte en una secuencia y usa autoatención para capturar relaciones globales. Rivaliza con las CNN en clasificación de imágenes.
Ejemplo: un Vision Transformer clasifica imágenes térmicas de cuadros eléctricos y detecta puntos calientes anómalos aprovechando el contexto global de toda la imagen.
Variational Autoencoder VAE Autoencoder variacional
Autoencoder generativo que aprende una distribución latente probabilística, lo que permite generar datos nuevos y medir cuán inusual es una muestra.
Ejemplo: Un VAE entrenado con vibraciones normales de un compresor marca como anómalas las lecturas con alto error de reconstrucción.
WeightsPesos
Valores numéricos que conectan las neuronas de una red neuronal y que se ajustan durante el entrenamiento. Son los parámetros que el modelo "aprende".
Ejemplo: un modelo de Deep Learning industrial puede tener millones o miles de millones de weights. Su combinación es lo que codifica el conocimiento aprendido.
Wavelet Transform Transformada wavelet
Descomposición de una señal en componentes localizados a la vez en tiempo y en frecuencia, útil cuando interesan eventos breves que la transformada de Fourier diluye.
Ejemplo: detectar el golpe de un diente picado de engranaje dentro del registro de un acelerómetro, aunque dure milisegundos.
XAIExplainable AI
Acrónimo de Explainable AI (Inteligencia Artificial Explicable). Conjunto de técnicas que hacen que un modelo justifique sus decisiones de forma comprensible.
Ver definición completa en E · Explainable AI.
YOLOYou Only Look Once
Familia de modelos de visión artificial en tiempo real capaces de detectar y clasificar múltiples objetos en una imagen en una sola pasada, optimizados para latencia muy baja.
Ejemplo: una cámara con YOLO en la línea de embotellado identifica botellas mal posicionadas a 60 fotogramas por segundo y las descarta antes del etiquetado.
Zero-shot LearningAprendizaje sin ejemplos
Capacidad de un modelo para resolver tareas o reconocer clases que nunca vio durante el entrenamiento, apoyándose en conocimiento general o en descripciones auxiliares.
Ejemplo: un LLM clasifica partes de mantenimiento en categorías nuevas definidas solo con su nombre y una breve descripción, sin un solo ejemplo etiquetado.
Sin resultados
Prueba con otra palabra.
Escríbenos y lo añadimos
Mantenemos este glosario con los términos que salen en los proyectos y en las reuniones con planta.