Contexto
El histórico suele mezclar medidas frecuentes con pocas intervenciones. Ventanas próximas a una misma avería comparten información: repartirlas al azar entre entrenamiento y prueba puede evaluar el reconocimiento de ese episodio, no la anticipación de uno nuevo.
El análisis de supervivencia permite estudiar tiempo hasta un evento con seguimiento incompleto. Sus métricas necesitan tratar la censura; no basta con aplicar un error de regresión a las fechas observadas. La documentación de scikit-survival distingue concordancia, discriminación por horizonte y puntuaciones que consideran las probabilidades estimadas.
Ese marco no corrige por sí solo una intervención selectiva. Si se sustituyen precisamente los equipos con peor señal, el seguimiento que termina puede depender del riesgo. La condición debe quedar documentada; asumir que el retiro es independiente del fallo puede alterar la interpretación.
Ejemplo didáctico · situación inventada
Una sustitución preventiva no es una avería observada
Un motor acumula lecturas de vibración y se sustituye durante una revisión. El histórico termina ahí. Otro motor sigue observado, sin fallo, hasta que acaba el periodo de estudio.
Qué decisión cambia. Registrar por separado intervención, fallo y fin de seguimiento. No usar la sustitución como demostración de una avería futura ni etiquetar la falta de seguimiento como ausencia de fallo. Antes de entrenar, revisar qué evento permiten estudiar esos registros.
Qué comprobar antes de empezar
- Cuántos eventos independientes hay por activo, tipo de fallo y periodo, además del número de lecturas.
- Qué significa una avería y cómo se distingue de mantenimiento programado, parada externa o error de sensor.
- Hasta cuándo se observó cada activo y por qué terminó su seguimiento.
- Qué datos estaban disponibles antes de la alerta, sin notas de reparación incorporadas después.
- Con cuánta anticipación puede actuar mantenimiento y cuántas alertas puede revisar.
Método de trabajo
¿Qué resultado tiene que anticipar la alerta?
Elige un evento y un horizonte compatibles con la intervención. Conserva fecha de lectura, fecha de disponibilidad y fecha del fallo. Una orden abierta después de la parada no puede entrar como señal previa. El inventario identifica activos sin seguimiento completo; no los etiqueta automáticamente como equipos que no fallan.
¿La prueba contiene averías nuevas?
Reserva periodos futuros y evita que ventanas del mismo episodio atraviesen el corte. Si el destino incluye equipos nuevos, prepara también una evaluación por activo. Son dos preguntas distintas: anticipar el futuro de equipos conocidos y generalizar a otros. scikit-learn documenta particiones temporales y por grupos; combinarlas exige adaptar el protocolo al histórico, no aplicar una receta indiscriminada.
¿Qué mejora frente a la regla de mantenimiento actual?
Compara con el umbral, inspección o criterio usado hoy, bajo el mismo presupuesto de alertas. Cuenta fallos detectados y omitidos, alertas sin evento y anticipación. Varias alertas sobre una avería no deben contabilizarse como varios aciertos independientes. Expón los recuentos y la incertidumbre; una proporción favorable sobre pocos eventos puede ser inestable.
¿Ordena riesgo o estima una probabilidad fiable?
Si se usa supervivencia, evalúa el horizonte con soporte en el seguimiento. El índice de concordancia estudia ordenación, no demuestra por sí solo calibración. Las puntuaciones de Brier con tratamiento de censura complementan la revisión de probabilidades. Registra los supuestos y no extrapoles a plazos sin observación suficiente.
¿Qué puede concluirse antes de desplegar?
Entrega definición del evento, particiones, predicciones reservadas y registro de errores. Cuando solo se ha probado detección de anomalías, nómbrala así. Antes de operar, acuerda la revisión de alertas, las actuaciones permitidas y cómo medir resultados posteriores. Que una intervención coincida con ausencia de fallo no demuestra cuántas paradas evitó el modelo.
Señales para detener la prueba
- No se puede distinguir una avería de una actuación preventiva o de una pérdida de medición.
- La evaluación reparte ventanas de la misma incidencia entre entrenamiento y prueba.
- El horizonte elegido supera el seguimiento disponible o deja muy pocos eventos para contrastar el resultado.
- Las variables incluyen información registrada después del fallo.
- El volumen de falsas alertas supera la capacidad de revisión o la anticipación no permite intervenir.
Fuentes
- scikit-survival — Evaluating Survival Models — Censura, concordancia, evaluación por horizonte y puntuaciones de Brier; no acredita resultados industriales de Ordantis.
- scikit-learn — Cross-validation — Separación de observaciones temporales y grupos dependientes; el diseño debe ajustarse al destino del modelo.
Para seguir con esta decisión
- ¿Cómo evaluar un modelo predictivo cuando el servicio se satura?
- ¿Cómo saber si el intervalo de una predicción es fiable?
- ¿Por qué predecir demanda no basta para asignar recursos?
Servicio de Machine learning y modelos predictivos: alcance y entregables
Publicado por Ordantis el .