¿Cómo validar mantenimiento predictivo cuando hay pocas averías?
Evaluación de modelos de mantenimiento predictivo: eventos escasos, seguimiento incompleto, separación por activo y anticipación útil de las alertas.
— Preguntas
Qué conviene resolver antes de construir.
Cómo separar entrenamiento y prueba, comparar métodos, evaluar datos territoriales o llevar un modelo a un entorno operativo. Las guías explican decisiones de investigación e ingeniería; cada una indica si parte de una propuesta, un ejemplo didáctico o resultados publicados.
— Preguntas sobre
Machine learning y modelos predictivos
Método y entregables¿Cómo evaluar un modelo predictivo cuando el servicio se satura?
Validación de modelos en picos de demanda: episodios independientes, errores extremos, horizontes de decisión y degradación de fuentes.
¿Cómo saber si el intervalo de una predicción es fiable?
Incertidumbre en modelos predictivos: cobertura, anchura, calibración temporal y límites de la predicción conformal cuando cambia el entorno.
¿Por qué predecir demanda no basta para asignar recursos?
De modelos predictivos a decisiones de planificación: restricciones, optimización, incertidumbre y evaluación del coste de actuar.
¿Cómo detectar data leakage y validar un modelo en el tiempo?
Una reconstrucción del instante de decisión para impedir que el entrenamiento vea datos futuros o consecuencias del resultado.
¿Cómo vigilar drift y calibración después del despliegue?
Separar cambios de datos, pérdida de calidad y probabilidades mal calibradas antes de decidir un reentrenamiento.
¿Cómo puede un buen resultado soft fallar al convertirlo en etiquetas hard?
El caso de Task 2.3 en EXIST 2026 muestra por qué calibración, umbrales y ranking deben analizarse por separado.
¿Qué datos necesita un gemelo digital de infraestructura pública?
Cómo acotar un gemelo digital para que responda una decisión concreta y no se convierta en un modelo sin uso.
¿Cómo estimar cantidad y calidad del agua con datos incompletos?
Un diseño de medición que distingue observación, estimación e incertidumbre.
¿Cómo industrializar un modelo predictivo que debe responder en tiempo real?
Criterios para pasar de experimentos temporales a un servicio reproducible, observable y probado bajo carga.
— Preguntas sobre
Ciencia e ingeniería de datos
Método y entregables¿Cómo distinguir un cambio operativo de un cambio en los datos?
Ciencia de datos para empresas: comparar periodos y segmentos sin confundir fallos, cobertura de sensores y cambios en la forma de registrar la operación.
¿Cómo detectar sensores defectuosos y expresar confianza en el dato?
Controles de calibración, redundancia y coherencia física para no convertir una lectura dudosa en un dato limpio.
¿Puede un documento convertirse en una geometría?
Cómo pasar de descripciones, relaciones y referencias a hipótesis geoespaciales que una persona pueda contrastar.
¿Por qué el problema de los datos públicos no termina al encontrarlos?
Publicar un archivo no resuelve su vigencia, sus identificadores ni los cambios que pueden romper un sistema que depende de él.
¿Cómo unir datos territoriales dispersos para una decisión pública?
Un enfoque para identificar entidades, resolver ubicaciones y conservar la procedencia de cada dato.
¿Cómo verificar ocupaciones de vía pública con datos jurídicos y geoespaciales?
Una arquitectura para relacionar permisos, geometrías, fechas y observaciones sin convertir una alerta en una sanción automática.
— Preguntas sobre
I+D en inteligencia artificial
Método y entregables¿Cuándo necesita un problema un modelo temporal o un grafo?
Cómo comparar modelos tabulares, secuenciales y de grafos en I+D: información disponible, controles, ablaciones y coste de operación.
¿Qué debe demostrar un piloto de IA en una administración pública?
Cómo separar calidad técnica, utilidad operativa e impacto público: cobertura, errores omitidos, revisión humana y criterios para ampliar un piloto GovTech.
¿Cuándo ayuda Edge AI a la privacidad por diseño?
Decisiones sobre minimización, inferencia local y Responsible AI sin asumir que ejecutar en el dispositivo elimina el riesgo.
¿Cómo saber si una modalidad adicional mejora un modelo multimodal?
Una lectura experimental de EXIST 2026 sobre ablaciones, coste de modalidades y mejoras que no se repiten en todas las subtareas.
¿Por qué conservar el desacuerdo entre anotadores?
Qué cambia al entrenar y evaluar con distribuciones de anotación en tareas ambiguas como la caracterización de sexismo.
¿Cuándo usar un LLM como mediador semántico offline?
Qué aporta una representación estructurada generada antes del entrenamiento y qué dependencia introduce en un sistema multimodal.
¿Puede una IA procesar audio sin grabarlo?
Qué significa analizar una señal en memoria o en el dispositivo y qué datos derivados siguen necesitando control.
¿Cómo validar una solución de IA antes de industrializarla?
Un protocolo para separar una demo convincente de una solución que puede sostener un proceso real.
— Preguntas sobre
Document Intelligence
Método y entregables¿Cómo construir un RAG que se abstenga y enseñe la evidencia?
Diseño de recuperación, citas y umbrales para que la ausencia de evidencia produzca una respuesta útil, no una invención.
¿Por qué OCR no es lo mismo que inteligencia documental?
El OCR transcribe signos; un sistema documental debe reconstruir estructura, significado, evidencia y condiciones de revisión.
¿Qué hace que un expediente sea computable?
Una definición operativa que incluye documentos, versiones, entidades, reglas, estados y evidencia, no solo archivos digitalizados.
¿Qué necesita un RAG además de un chat sobre PDF?
Decisiones sobre inventario, estructura documental, versiones y recuperación antes de añadir una interfaz de conversación.
¿Puede una IA redactar un informe técnico sin inventar información?
Un diseño que separa hechos, cálculos, redacción y revisión para que una frase no aparezca sin procedencia.
¿Cómo anonimizar documentos administrativos de forma coherente y trazable?
Criterios para localizar datos personales, mantener alias coherentes y revisar los casos con mayor riesgo.
¿Puede la IA ayudar a valorar subvenciones sin ocultar el criterio técnico?
Un diseño de apoyo a la valoración que conserva documentos, criterios, discrepancias y decisión humana.
¿Cómo convertir un Excel técnico en una memoria revisable?
Del dato estructurado al documento, manteniendo reglas de cálculo, versiones y aprobaciones.
— Preguntas sobre
Agent Engineering
Método y entregables¿Cuándo no conviene utilizar un agente de IA?
Una prueba de descarte para elegir entre agente, workflow, búsqueda asistida o automatización determinista.
¿Cuándo utilizar MCP y cuándo integrar una API directamente?
Criterios de interoperabilidad, permisos y mantenimiento para no confundir un protocolo de herramientas con la API de negocio.
¿Cómo definir permisos y aprobaciones para las herramientas de un agente?
Un modelo de permisos mínimos, previsualización de cambios y confirmación humana según el impacto de cada acción.
¿Cómo limitar un ataque de prompt injection en un agente con herramientas?
Controles para tratar documentos, páginas y mensajes como datos no fiables, incluso cuando parecen instrucciones legítimas.
¿Por qué human-in-the-loop no es poner un botón de aprobar?
La intervención humana necesita autoridad real, información suficiente y una consecuencia trazable dentro del flujo.