Forecasting Industrial con Modelos Fundacionales
La mayoría de las operaciones tiene abundancia de señales, pero escasez de datos limpios. Este curso te enseña a anticipar fallas y comportamiento de activos con modelos fundacionales de series de tiempo — incluso sin el dataset perfecto que nunca llegará a tiempo.
Abundancia de señales.
Escasez de etiquetas limpias de falla.
La mayoría de las operaciones industriales tiene historiadores llenos de señales: temperatura, vibración, presión, corriente, ciclos. El problema no es la cantidad de datos — es que la mayoría de esas señales no tiene etiquetas de falla confiables, los eventos de interés son raros y los datasets que sí existen son heterogéneos, con gaps, cambios de sensor y períodos de operación anormal que nadie documentó. Esperar el dataset perfecto retrasa la capacidad predictiva de una operación por años, no por meses.
Los enfoques clásicos de machine learning para series de tiempo —ARIMA, modelos estadísticos, redes recurrentes entrenadas desde cero— requieren exactamente lo que la mayoría de las operaciones no tiene: datos limpios, suficientes y consistentes. Los modelos fundacionales de series de tiempo cambian esa ecuación. Amazon Chronos, Google TimesFM y enfoques equivalentes son modelos preentrenados capaces de hacer predicciones razonables en modo zero-shot o few-shot — sin historial extenso, sin etiquetas perfectas, sin meses de entrenamiento.
Pero aplicarlos correctamente en contexto industrial requiere entender sus límites: cuándo tienen sentido, qué métricas importan para operación, cómo preparar señales multivariadas con gaps y drift, y cómo integrar las predicciones a decisiones de mantenimiento reales. Este curso está diseñado para ese contexto: activos reales, señales ruidosas y organizaciones que no pueden esperar años para capturar valor predictivo.
Qué vas a construir
Cuatro módulos que van desde los fundamentos de los nuevos modelos de forecasting hasta la integración con decisiones reales de mantenimiento y operación.
De modelos clásicos entrenados por activo a modelos preentrenados en millones de series. Qué son Amazon Chronos, Google TimesFM y enfoques equivalentes. Cuándo tienen sentido en contexto industrial y cuándo los enfoques clásicos siguen siendo competitivos. Arquitectura conceptual de los modelos fundacionales de series de tiempo.
3 horasSeries multivariadas, frecuencia de muestreo, ventanas temporales y calidad de señal. Tratamiento de missing values, drift de sensor y eventos raros. Variables contextuales relevantes en activos industriales: ciclos de operación, mantenimientos programados, condiciones ambientales. Cuándo normalizar y cuándo no.
4 horasZero-shot forecasting: cómo aplicar modelos preentrenados sin datos de entrenamiento propios. Few-shot: cuántos ejemplos son suficientes. Benchmark contra ARIMA, Prophet y métodos estadísticos clásicos en señales industriales reales. Qué métricas sí importan en operación: no MAE genérico, sino error de anticipación y tasa de alarma falsa.
4 horasDetección temprana de desvíos: cómo convertir una predicción en una alerta accionable. Integración con sistemas de monitoreo, planificación de mantenimiento y órdenes de trabajo. Límites del enfoque y criterios para saber cuándo un modelo predictivo está listo para producción. Roadmap de madurez analítica para activos industriales.
3 horasLo que vas a poder hacer
Aplicar modelos fundacionales de series de tiempo en señales industriales propias — con datos incompletos, heterogéneos y sin el historial perfecto — y evaluar el resultado con métricas que importan en operación.
Convertir predicciones de comportamiento de activos en alertas accionables para mantenimiento predictivo. Definir umbrales de anticipación relevantes para el proceso, no solo métricas estadísticas sin contexto operacional.
Criterios concretos para evaluar si un modelo predictivo está listo para integrarse a decisiones operacionales reales — y roadmap de madurez analítica para aumentar la cobertura a múltiples activos sin perder precisión.
Quién imparte este curso
Siete años liderando ecosistemas de datos en BCI, trabajo en illumin ad tech canadiense, con paso por el BID, PDVSA, Falabella y Walmart en cinco países. Fundó Yaripo con el propósito de cerrar la brecha entre estrategia de IA e implementación real en empresas medianas con operaciones críticas.
Yaripo diseña este curso desde el sesgo contrario al académico: señales ruidosas, historial imperfecto y organizaciones que no pueden esperar dos años para construir el dataset ideal antes de capturar valor predictivo. Mientras la mayoría de la oferta formativa en forecasting trabaja con datasets de benchmark limpos y bien etiquetados, Yaripo lo aterriza a activos reales — con drift de sensor, eventos raros, gaps de datos y restricciones de integración a sistemas de mantenimiento existentes.
Lo que preguntan los ingenieros antes de inscribirse
Tus activos ya están hablando.
Este curso te enseña a escucharlos antes del fallo.
14 horas. 4 módulos. Un prototipo de forecasting funcional sobre señales reales de tu operación — sin esperar el dataset perfecto.
Inscripción en academia.yaripo.cl · Modalidad online asincrónica · Compatible con franquicia SENCE