— Machine learning · Ciencia de datos · I+D aplicada
Machine learning, ciencia de datos y sistemas de inteligencia artificial para empresas y administraciones públicas.
Anticipar demanda, detectar fallos y planificar recursos con datos. Desarrollamos modelos y la ingeniería para integrarlos; investigamos cuando la solución técnica todavía no está demostrada.
— Problemas que podemos abordar
Prever un pico de demanda, interpretar señales de equipos o asignar recursos limitados. Cada problema exige datos distintos y una forma de comprobar si el sistema ayuda a decidir.
01Demanda y capacidad
Anticipar pedidos, consumo o uso de un servicio. Evaluar dónde falla la previsión durante los picos y con qué antelación puede ayudar a planificar producción, suministro o atención.
02Fiabilidad de activos y datos
Estudiar señales de máquinas, sensores e incidencias para detectar anomalías. Separar un posible fallo del activo de una medición defectuosa antes de proponer una intervención.
03Planificación y territorio
Relacionar demanda, ubicaciones y recursos para comparar decisiones viables. Hacer explícitas las restricciones de capacidad, desplazamiento y cobertura, tanto en una red logística como en un servicio público.
Estos ámbitos describen posibles aplicaciones, no resultados de clientes.
— Ámbitos de proyecto
Desarrollo de modelos y sistemas para empresas, líneas de I+D y retos públicos. Podemos trabajar desde el problema o sobre una parte de vuestro sistema.
Prever demanda, carga o riesgo de fallo. Comparar modelos, comprobar incertidumbre e integrar la predicción con la decisión y sus plazos.
Analizar qué explica un resultado, detectar sesgos y relacionar fuentes. Preparar datos e interfaces que permitan reproducir el análisis y operar modelos.
Resolver una incertidumbre técnica: comparar representaciones temporales, grafos o modalidades y medir qué aporta cada componente antes de integrarlo.
Demanda de servicios, cobertura de equipamientos y monitorización territorial. Evaluación técnica, integración con el organismo y revisión de decisiones.
— El punto de partida
No todo proyecto de machine learning necesita investigar una técnica nueva. Elegimos el alcance según el punto de partida.
Hay una decisión y datos con los que trabajar. Construimos una referencia, desarrollamos el modelo y medimos sus errores antes de preparar la integración.
No se sabe si la técnica puede resolver el problema. Diseñamos ensayos con presupuesto y criterios de cierre; un resultado negativo también permite decidir.
Existe un modelo o prototipo. Trabajamos en interfaces, latencia, fallos, monitorización y transferencia para el entorno de destino.
— Evidencia
EXIST 2026 reúne paper, código, resultados oficiales y una guía de reproducción. La ficha también explica las limitaciones y las configuraciones que rindieron peor.
Investigación en procesamiento del lenguaje e información multimodal. Estos resultados no acreditan una implantación predictiva en una empresa o administración ni se trasladan a otro problema sin evaluarlo.
EXIST 2026 Evaluación oficial
Task 2.1, detección binaria, evaluación soft.
Task 2.2, intención de la fuente, evaluación soft.
Task 2.2, intención de la fuente, evaluación hard.
3.º de 217 en Task 2.1, detección binaria, evaluación hard.
— Metodología
Podemos empezar por la fase que necesita tu proyecto. Cada una deja una entrega y una pregunta que hay que resolver antes de continuar.
Fase 1
Concretamos la decisión, los datos y las restricciones. Revisamos los métodos disponibles para elegir entre desarrollo de un modelo, investigación experimental o integración de un sistema existente.
— Fase 1
Distinguimos una incertidumbre que requiere investigación de un trabajo de ingeniería conocido. Fijamos una referencia de comparación y reservamos datos de evaluación antes de entrenar o ajustar el sistema.
Identificar quién usará el resultado, cuándo lo necesita y cómo resuelve hoy el problema. Revisar métodos y datos para distinguir desarrollo, investigación e integración.
Fijar una referencia, particiones de datos y métricas vinculadas al uso. Si se investiga una técnica, formular la hipótesis antes de comparar alternativas.
Ordenar entregas y dependencias de datos, cómputo e instrumentación. El desarrollo tiene criterios de aceptación; cada ensayo de I+D responde una pregunta y tiene una condición de cierre.
Alcance, referencia, plan de evaluación y criterios de aceptación. Hipótesis y ensayos cuando el trabajo requiere investigación.
¿Qué resultado haría que no continuáramos con la idea?
Ver servicios de esta faseFase 2
Conectamos las fuentes necesarias y comprobamos su calidad, disponibilidad y permisos. Conservamos la procedencia de cada dato antes de transformarlo.
— Fase 2
Identificadores, unidades y fechas deben tener un significado común. Separamos los datos de desarrollo y evaluación, y registramos quién puede consultar, modificar o exportar cada fuente.
Conectar registros administrativos, datos territoriales y observaciones de sensores con contratos de intercambio. Comprobar qué información está disponible al entrenar, evaluar y servir el modelo.
Resolver identificadores, unidades y valores contradictorios. Las transformaciones conservan el registro original y dejan separadas las incidencias no resueltas.
Asignar responsables, permisos y conservación. Comprobar que la restricción se mantiene en consultas, exportaciones, respuestas y registros.
Inventario de fuentes, reglas de calidad, permisos y conjunto de evaluación con versiones.
¿Dispondríamos de este dato en el momento real de la decisión?
Ver servicios de esta faseFase 3
Desarrollamos y comparamos modelos, analizamos sus errores y probamos la integración bajo las restricciones del entorno de destino.
— Fase 3
La evaluación separa rendimiento del modelo y comportamiento del sistema: latencia, concurrencia, fallos de fuentes y revisión humana. Versionamos los cambios para poder reproducir un resultado o volver a una versión anterior.
Evaluar arquitecturas con información equivalente, periodos reservados y presupuesto registrado. Las ablaciones permiten comprobar qué aporta cada fuente y componente.
Medir latencia y comportamiento bajo carga. Reproducir entradas tardías o ausentes y comprobar que el equipo receptor puede integrar una versión del modelo.
Separar errores por horizonte y situación relevante, comprobar incertidumbre y detectar cambios en los datos. Acordar señales de retirada y una referencia a la que volver.
Modelo o prototipo evaluado, análisis de errores y pruebas de integración según el alcance acordado.
¿La mejora observada compensa el coste y el riesgo de operar el sistema?
Ver servicios de esta faseFase 4
Preparamos la entrega técnica para que el equipo receptor pueda reproducir los resultados, integrar los componentes y reconocer cuándo dejan de ser fiables.
— Fase 4
Acordamos documentación, acceso al código y artefactos, derechos de uso y responsables de operación. La formación utiliza el sistema desarrollado; el mantenimiento y las reevaluaciones tienen un alcance explícito.
Entregar las versiones y configuraciones acordadas, con instrucciones para repetir la evaluación y reconstruir un resultado.
Documentar interfaces, dependencias y condiciones de acceso al código, datos y modelos. La transferencia se concreta antes de la entrega.
Practicar con el equipo receptor la detección de fallos, revisión de salidas y retirada de una versión. Acordar responsables y alcance del soporte.
Artefactos y documentación acordados, guía operativa y condiciones de seguimiento y mantenimiento.
¿Puede el equipo receptor reproducir el resultado y detectar una degradación?
Ver servicios de esta fase— Entrega técnica
El modelo es una parte de la entrega. La integración y el seguimiento necesitan un alcance y responsables definidos desde el principio.
Referencia actual, datos de prueba, errores relevantes y límites de tiempo, cómputo y presupuesto. El criterio se fija antes de comparar resultados.
Fuentes autorizadas, permisos, conservación y restricciones de ejecución. No necesitamos información confidencial para la primera conversación.
Código y artefactos incluidos, dependencias, documentación e interfaces. Se concreta qué puede reproducir, integrar y modificar el equipo receptor.
Quién revisa los errores, qué ocurre si falla una fuente y cuándo retirar una versión. Soporte y reentrenamiento tienen condiciones propias.
Empresas que confían en nosotros
— Antes de iniciar un proyecto
Alcance, evaluación y entrega técnica para empresas y administraciones.
Proyectos de empresas y administraciones que necesitan desarrollar modelos de machine learning, analizar datos con rigor o integrar sistemas de IA con requisitos de operación. Por ejemplo, prever demanda, estudiar fallos de equipos o planificar recursos bajo restricciones. Si existe incertidumbre sobre la solución técnica, el alcance incluye I+D; si el método es conocido, puede ser un trabajo de desarrollo e ingeniería. No hace falta partir de una hipótesis de investigación para conversar con nosotros.
Ver el detalleReservamos periodos que el entrenamiento no ha visto y reconstruimos qué datos estaban disponibles al predecir. Comparamos errores por horizonte y segmento con una referencia sencilla. Después comprobamos latencia, entradas tardías y respuesta ante fallos. Una buena métrica fuera de producción no demuestra que el servicio llegue a tiempo ni que siga siendo fiable.
Ver el detallePartimos del problema público, de las personas que utilizarían el resultado y de las fuentes autorizadas. Definimos una prueba con criterios de aceptación y revisamos las condiciones del reto: entregables, datos, derechos de uso e integración. El sistema puede apoyar una valoración o una planificación; la responsabilidad de la decisión permanece en el órgano competente.
Ver el detalleEl alcance puede incluir el protocolo de evaluación, código y configuraciones, versiones de los datos permitidos, análisis de errores e interfaces de integración. Antes de empezar se acuerdan derechos de uso, dependencias y documentación. La transferencia permite reproducir y revisar el resultado; desplegarlo y mantenerlo requiere condiciones de operación definidas.
Ver el detalleBasta una descripción del proceso, las fuentes disponibles y las restricciones. No envíes documentos confidenciales ni datos personales sensibles. El acceso a una muestra se acuerda después, con finalidad, permisos y condiciones de conservación.
Ver el detallePodemos acotar el trabajo a una parte del sistema: evaluar un modelo, revisar el conjunto de datos, comparar una arquitectura o preparar su integración. Necesitamos conocer la referencia actual, las interfaces y las restricciones. El reparto de responsabilidades y las condiciones de entrega se definen con el equipo receptor.
Ver el detalleSe decide si el resultado justifica la integración. Ese paso requiere pruebas de carga, monitorización del error, tratamiento de fallos y responsables de intervención. El mantenimiento y el reentrenamiento se acuerdan por separado; no se dan por incluidos ni resueltos porque un experimento haya funcionado.
Ver el detalleLa ficha de EXIST 2026 enlaza el paper, el código y los resultados oficiales. Explica qué configuraciones se compararon y dónde el sistema no rindió bien. Es evidencia de ese experimento, no una garantía de rendimiento en otro problema.
Ver el detalle— Guías técnicas
Guías sobre problemas técnicos, con ejemplos y fuentes. Las propuestas se distinguen de los experimentos ejecutados y de los resultados de clientes.
Machine learning
Evaluación de modelos de mantenimiento predictivo: eventos escasos, seguimiento incompleto, separación por activo y anticipación útil de las alertas.
Leer la guíaCiencia de 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.
Leer la guíaMachine learning
Validación de modelos en picos de demanda: episodios independientes, errores extremos, horizontes de decisión y degradación de fuentes.
Leer la guíaI+D aplicada
Cómo separar calidad técnica, utilidad operativa e impacto público: cobertura, errores omitidos, revisión humana y criterios para ampliar un piloto GovTech.
Leer la guíaMachine learning
De modelos predictivos a decisiones de planificación: restricciones, optimización, incertidumbre y evaluación del coste de actuar.
Leer la guíaI+D aplicada
Una lectura experimental de EXIST 2026 sobre ablaciones, coste de modalidades y mejoras que no se repiten en todas las subtareas.
Leer la guía— Ecosistema de emprendimiento
— Programas
El sello identifica la participación en el programa de aceleración. No es una certificación ni una acreditación de los servicios de Ordantis.
Ver el programa
Ordantis es startup finalista de la edición 2026 de DesafIA.
Primera conversación
