La IA predictiva se centra en anticipar eventos futuros mediante el análisis de datos históricos, modelos matemáticos y algoritmos avanzados. Es la base de sistemas que pronostican demanda, detectan fallos o predicen comportamientos.
La IA predictiva utiliza modelos matemáticos y estadísticos para estimar resultados futuros basándose en diversas fuentes, como pueden ser patrones históricos, correlaciones, señales temporales, variables exógenas, etc. Es decir, no se trata ni de una IA generativa ni de una IA tradicional, en vez de crear o decidir, en este caso se dedica a anticiparse a algo.
Tal vez ya has oído hablar del término Internet of Behaviors (IoB), o el internet del comportamiento. Se trata de un concepto que combina datos provenientes de dispositivos conectados, comportamiento humano y analítica basada en IA para entender en cómo actúan las personas. Es muy usado con Big Data y deep learning para predecir multitud de cosas. Una especie de bola de cristal de un adivino, en este caso, un adivino «digital».
No se trata de magia, sino del uso de la tecnología actual y la capacidad de usar el procesamiento de enormes cantidades de datos para predecir comportamientos…
Como sabrás si nos lees, muchas CPUs actuales también están usando redes neuronales para predecir, en este caso para predicción de saltos. De ellas depende el rendimiento en gran medida…
Algoritmos fundamentales de la IA predictiva
La IA predictiva se apoya en un conjunto de algoritmos clásicos y modernos. Los más relevantes son:
Modelos estadísticos clásicos: estos modelos son interpretables y eficientes, ideales para entornos regulados.
Regresión lineal: predice valores continuos, como pueden ser precios de productos, por ejemplo.
Regresión logística: destinado a predecir habilidades binarias, es decir, sí o no.
Modelos ARIMA / SARIMA: especializados en series temporales, como puede ser el tráfico que pasa por una carretera a una hora determinada.
Modelos de supervivencia (Cox): predicen tiempo hasta un evento. Esto se puede usar también en gemelos digitales para predecir fallos de hardware, motores, etc.
Algoritmos de machine learning: en este otro caso capturan relaciones no lineales y funcionan bien con datos tabulares.
Árboles de decisión: modelos que dividen los datos en reglas jerárquicas, por ejemplo condiciones. Si pasa esto, entonces…
Random Forest: combina múltiples árboles de decisión para mejorar la precisión y reducir sobreajuste. Es uno de los algoritmos más usados en datos tabulares. Un ejemplo de uso sería en la detección de fraude bancario o clasificación de correos spam.
Gradient Boosting (XGBoost, LightGBM, CatBoost)
SVM (Support Vector Machines)
Redes neuronales para predicción:
MLP (Perceptrón multicapa): para predicciones generales.
LSTM / GRU especializadas en secuencias y series temporales.
Transformers para forecasting: modelos modernos como Temporal Fusion Transformer (TFT). Los transformers están reemplazando a las LSTM en predicción compleja por su capacidad de capturar dependencias a largo plazo.
Todo esto le transfiere a estos sistemas predictivos una gran capacidad para predicción. Esto no quiere decir que se termine cumpliendo al 100% en todos los casos, pero habrá una mayor probabilidad de acierto que si no se usase este tipo de IA. Por ejemplo, imagina un sistema en una fábrica en la que unos sensores IoT capturan temperatura, vibración y presión de una máquina, y los envían a un servidor Edge donde se ejecuta un modelo de IA predictiva que predice fallos con antelación y genera alertas automáticas. De esa forma, los técnicos de la fábrica se pueden anticipar y hacer un mantenimiento predictivo o preparar una parada programada para no afectar tanto a la productividad de la fábrica.
¿Esto quiere decir que esa máquina se estropea sí o sí? No, pero es muy probable que teniendo en cuenta esos parámetros, se pueda producir el fallo. Así da capacidad para anticiparse, mientras que si no se usase IA predictiva, el fallo podría llegar sin preverlo.
Comportamiento técnico de un sistema de IA predictiva
Un sistema de IA predictiva sigue un pipeline estructurado:
Ingesta y preparación de datos: en este paso del pipeline se incluye la limpieza, normalización, selección y proceso de variables de los datos. Es muy importante, ya que de la calidad del dataset dependerá la calidad de la predicción.
Entrenamiento del modelo: el modelo aprende patrones históricos mediante optimización de funciones de pérdida, validación cruzada y ajuste de hiperparámetros.
Inferencia: el modelo recibe nuevos datos y produce valores numéricos a partir de ellos, intervalos de confianza y probabilidad. Por ejemplo, según los datos que tiene, podría predecir el tiempo que se estima para el próximo fallo y la tasa de probabilidad de fallo (%).
Monitorización y recalibración: los modelos predictivos se degradan con el tiempo (concept drift). Por ello requieren reentrenamiento periódico, detección de anomalías en el rendimiento y ajustes de hiperparámetros para que puedan seguir manteniendo una buena tasa de aciertos.
Aplicaciones reales de la IA predictiva
Fuente: Job-wizards.com
Este tipo de IA predictiva tiene gran cantidad de aplicaciones importantes, y en muy numerosos sectores:
Industria: puede usarse para mejorar los programas de mantenimiento predictivo, anticipándose a fallos de máquinas o motores que puedan causar problemas. Por ejemplo, alimentando estos algoritmos con datos de vibraciones, temperatura de trabajo, etc., se puede predecir cuándo podría fallar una pieza.
Finanzas: también son muy usados como los modelos XGBoost que puede analizar miles de transacciones por segundo para detectar patrones sospechosos. No solo puede ser bueno para predecir la caída de acciones en bolsa, también para predecir precios, detección de fraude, etc.
Salud: mediante biotelemetría o mediante otro tipo de datos, se pueden realizar predicción de posibilidades de reingresos de un paciente, análisis de riesgo clínico, detección temprana de enfermedades, etc.
Logística y transporte: pueden optimizar las rutas de transporte para ahorrar combustible y ser más eficientes teniendo en cuenta patrones como el tráfico, etc., así como predecir la demanda, estimación te tiempos de entrega, etc. Por ejemplo, una red LSTM puede predecir la congestión de tráfico en tiempo real.
Energía: puede predecir consumos según horarios, gestión de redes de suministro de forma inteligente, optimización del uso de energía y almacenamiento, etc. Por ejemplo, una IA basada en transformers puede predecir la producción de energía solar según el clima y estacionalidad, lo que puede ayudar a los ingenieros a anticiparse a la energía producida vs demanda para poder compensar la red con otras energías alternativas si hace falta.
Hardware para IA predictiva: CPUs, GPUs, TPUs y edge computing
La IA predictiva no solo depende de algoritmos, también requiere hardware optimizado para procesar grandes volúmenes de datos. Y esto implica la necesidad de todo un ecosistema heterogéneo:
CPU: pueden encargarse de cargas de IA predictiva para predicción tabular con modelos ligeros, inferencia en tiempo real, y cargas de trabajo con branching lógico. Algunos ejemplos que funcionan perfectamente en una CPU pueden ser los de regresión o random forest.
GPU: las unidades de cálculo tan numerosas en las GPUs las hace también muy eficientes para ejecutar cargas de IA, actuando como aceleradores. Además, las nuevas GPUs también incluyen Tensor Cores que están aún más optimizados para este tipo de datos simples que usa la IA. Por eso, las GPUs se usan tanto para entrenamiento de redes neuronales, como también para procesamiento de datos en paralelo de forma masiva y para las series temporales complejas. Por ejemplo, la GPU podría entrenar a un modelo LSTM para predicción con velocidades hasta 20 o 50 veces más rápido de lo que lo haría una CPU.
TPU: es un hardware especializado como ya sabes, similar a la NPU, pero mientras la NPU puede ser mejor para ejecutar modelos de IA, la TPU puede ser muy eficiente para entrenarlos. Estas unidades se suelen usar en centros de datos, especialmente, para operaciones tensoriales, entrenamientos distribuido y modelos forecasting basados en transformers.
Por otro lado, toda esta infraestructura, que puede ser tanto en local, como también remota, como la mayoría de servicios actuales que se ejecutan en la nube, también pueden servirse de otras capas, como puede ser el Edge Computing, que puede complementar la IA predictiva para ejecutar tareas en dispositivos locales, desde concentradores de sensores, hasta cámaras, routers, vehículos autónomos, etc. Por ejemplo, imagina un pequeño ordenador con un procesador ARM que ejecuta un modelo sencillo de IA para procesar datos obtenidos de sensores y que una vez procesados, sean enviados a la nube para integrarlos en cargas más complejas y obtener la predicción.
¡Comenta con tus dudas o para qué podrías usar este tipo de IA!
