La clasificación de series temporales es una tarea fundamental en ámbitos tan diversos como el análisis de señales médicas, la monitorización industrial y el reconocimiento de actividades basado en sensores. En estos contextos, la información de clase se manifiesta a través de formas localizadas, frecuencias específicas, desplazamientos temporales o complejas interacciones entre canales. Tradicionalmente, los enfoques basados en aprendizaje profundo requieren grandes volúmenes de datos etiquetados y un costoso entrenamiento, mientras que las técnicas de ingeniería de características manuales demandan un conocimiento experto del dominio. Una alternativa eficiente y robusta son las transformaciones convolucionales aleatorias, como los métodos Rocket, MultiRocket y Hydra, que convierten secuencias de longitudes variables en representaciones tabulares de dimensión fija con un coste computacional reducido. Sin embargo, hasta ahora estas características solían combinarse con clasificadores lineales simples, limitando su capacidad para capturar patrones complejos.
En este artículo exploramos una nueva aproximación que integra estas representaciones convolucionales con modelos fundacionales tabulares preentrenados. Esta combinación, que denominamos MASHT (MultiRocket And Hydra with Tabular foundation model), permite realizar clasificación directa sin necesidad de entrenamiento específico para cada tarea. El proceso es sorprendentemente sencillo: primero se extraen las características mediante MultiRocket e Hydra, y después se alimentan a un modelo fundacional tabular que aprende en contexto, es decir, que infiere la relación entre las características y las etiquetas a partir de los propios ejemplos proporcionados. De este modo, se evita por completo la fase de entrenamiento de un clasificador personalizado, acelerando el desarrollo y facilitando la implementación en entornos donde los datos cambian con frecuencia.
Los resultados experimentales con MASHT demuestran que iguala o supera a las líneas base más avanzadas en clasificación univariante, logrando un rango promedio inferior al de HIVE-COTE 2.0, uno de los conjuntos de clasificadores más potentes. En tareas multivariantes, el rendimiento se mantiene altamente competitivo frente a los métodos de referencia más sólidos. Esto abre la puerta a aplicaciones en tiempo real y a sistemas que requieren adaptación continua sin intervención humana. Por ejemplo, en una planta industrial, los sensores generan series temporales de temperatura, vibración y presión; con MASHT se puede detectar instantáneamente una anomalía sin necesidad de reentrenar modelos cada vez que se añade un nuevo tipo de sensor o cambian las condiciones de operación.
Desde una perspectiva empresarial, la adopción de técnicas como MASHT representa una oportunidad para optimizar procesos y reducir costes. En Q2BSTUDIO, empresa especializada en desarrollo de software y tecnología, entendemos que la clave está en integrar estas capacidades dentro de soluciones completas y personalizadas. Por ejemplo, un sistema de monitorización basado en series temporales puede beneficiarse de aplicaciones a medida que incorporen modelos fundacionales tabulares para clasificación en tiempo real. Además, la infraestructura en la nube es esencial para manejar el volumen de datos y la latencia requerida; por ello, ofrecemos servicios en cloud AWS y Azure que garantizan escalabilidad y seguridad. La ciberseguridad también juega un papel crítico, ya que los datos de sensores industriales o médicos son sensibles; nuestras soluciones incluyen ciberseguridad y pentesting para proteger la integridad de la información.
La inteligencia artificial es el motor que impulsa estas innovaciones. En Q2BSTUDIO desarrollamos IA aplicada, incluyendo agentes IA que pueden interactuar con los clasificadores de series temporales para tomar decisiones autónomas. Por ejemplo, un agente IA podría recibir la predicción de MASHT y activar una alarma o ajustar parámetros del proceso sin intervención humana. La visualización y el análisis de estos resultados se potencian con herramientas de Business Intelligence; implementamos BI con Power BI para crear dashboards interactivos que muestren las predicciones, las tendencias y las alertas generadas por los modelos.
La automatización de procesos es otro pilar fundamental. Al combinar MASHT con flujos de trabajo automatizados, las empresas pueden responder a eventos en milisegundos. Nuestro equipo en Q2BSTUDIO diseña soluciones de automatización que integran la clasificación de series temporales con sistemas de control, ERP o plataformas IoT. Todo ello sobre una base de software a medida que se adapta a las necesidades específicas de cada cliente, ya sea en el sector salud, manufacturero o de servicios.
En resumen, la clasificación de series temporales mediante características convolucionales aleatorias combinadas con modelos fundacionales tabulares representa un avance significativo frente a los métodos tradicionales. MASHT demuestra que es posible obtener un rendimiento de vanguardia sin necesidad de entrenamiento específico, facilitando su adopción en entornos dinámicos y con recursos limitados. En Q2BSTUDIO estamos preparados para ayudar a las organizaciones a implementar estas tecnologías, desde la consultoría inicial hasta el desarrollo de aplicaciones personalizadas, la integración en la nube, la ciberseguridad, la inteligencia artificial y la visualización de datos. El futuro de la clasificación de series temporales es prometedor, y con el enfoque adecuado, cualquier empresa puede aprovecharlo para mejorar sus operaciones y tomar decisiones más informadas.
