Maestría en Ciencia de Datos · 2025

INRAE - Inteligencia artificial explicativa soft sensor

Este trabajo presenta el desarrollo de un sensor blando aplicado al proceso de fermentación industrial, combinando modelos de aprendizaje automático de caja negra con técnicas de inteligencia artificial explicable (XAI). El objetivo del proyecto es diseñar un sistema predictivo capaz de estimar la concentración de penicilina a partir de datos históricos del proceso, mediante el uso de redes neuronales recurrentes (LSTM). Estos modelos, si bien precisos, presentan dificultades de interpretación debido a su naturaleza opaca. Para abordar este desafío, se integran técnicas XAI para visualizar y comprender la influencia de las variables más relevantes, transformando los modelos en herramientas más transparentes y confiables. La metodología incluye el uso del conjunto de datos IndPenSim, que simula condiciones normales y de falla en un entorno de fermentación a escala industrial. Además, se construye un prototipo de visualización para facilitar la interpretación de las predicciones y fortalecer la toma de decisiones basada en datos. El proyecto responde a la necesidad de lograr un equilibrio entre precisión y explicabilidad, dos pilares esenciales en la industria 4.0.