QUARKEONLABS
← Todas las demostraciones

Machine Learning / Demostración evaluada

Drift Signal

Distingue cambios en los datos de una pérdida de rendimiento del modelo.

PARA QUIÉN
Equipos industriales y responsables de modelos predictivos.
QUÉ HACE
Distingue cambios en los datos de una pérdida de rendimiento del modelo.
QUÉ ENTREGA LA DEMO
Bandas de predicción, alertas separadas, variables afectadas y exportación JSON.
Definir un piloto de Machine Learning →

Grabación real · Subtítulos explicativos en inglés · Datos sintéticos originales

Demostración grabada de una aplicación local funcional. Para un piloto, acordamos datos, acceso y despliegue; esta web sirve el vídeo y las capturas.

EL PROBLEMA

Un modelo puede seguir respondiendo mientras el proceso que aprendió ya ha cambiado.

EL FLUJO

Entrenamos un regresor Extra Trees con sensores simulados y calibramos bandas de predicción conformes. Cambia entre un proceso estable, un desplazamiento de entradas y un cambio en la calidad. El panel compara distribuciones y resultados observados por separado. También admite un CSV con el esquema de la demo.

  1. 01Selecciona un escenario o importa un CSV compatible.
  2. 02Compara predicción, observaciones y bandas calibradas.
  3. 03Revisa alertas de entradas y de rendimiento por separado.
  4. 04Exporta el análisis para revisar los cambios.

EVIDENCIA REGISTRADA

Resultados, con contexto.

Comprobaciones sobre ejemplos sintéticos reservados
ComprobaciónCasos
Comprobaciones documentadas; datos sintéticos30 de 30
Conjunto
synthetic-sensors-v1
Casos completados
30/30
Mediana / p95 por caso
0.014881679997415631 s / 0.025337445548757387 s
Registro de evaluación (UTC)
2026-10-10

30 escenarios reservados: diez semillas distintas, con tres cambios controlados por semilla. Las 30 clasificaciones coinciden con lo esperado. Las métricas predictivas se calculan sobre otro conjunto reservado; no representan precisión industrial. Latencia medida en la función de análisis, con CPU y modelo preparado, sin incluir HTTP ni entrenamiento.

QUÉ PODRÍAMOS CONSTRUIR CONTIGO

Un monitor de modelos conectado a tus métricas y a tu proceso de revisión.

Qué definiríamos antes

Modelo existente, variables, disponibilidad de resultados reales, ventana de análisis y umbrales aceptables.

Límites de esta demostración

Proceso ficticio; no diagnostica causas ni garantiza cobertura bajo cambios. En 300 ejemplos reservados, MAE 1,10 y cobertura de las bandas 88,3 %. Las alertas requieren resultados reales cuando se evalúa rendimiento.

Definir un piloto de Machine Learning ↗
Captura de la interfaz de Drift Signal
Interfaz de revisión de la demostración.

Explora otros proyectos