Machine Learning / Demostración evaluada
Propone ensayos con optimización bayesiana y límites de recursos.
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
EL FLUJO
Un proceso gaussiano aprende de ensayos observados sobre un panel ficticio de fibras recicladas. Explora predicción, incertidumbre y mejora esperada. Ajusta los límites de aglutinante y presión; realiza un ensayo simulado o registra un resultado propio. La función objetivo simulada se identifica como tal.
EVIDENCIA REGISTRADA
| Comprobación | Casos |
|---|---|
| Comprobaciones documentadas; datos sintéticos | 10 de 10 |
Diez semillas reservadas, seis ensayos iniciales y doce propuestas por ejecución. Se comprueba retrospectivamente si el mejor diseño queda a seis puntos o menos del óptimo sintético de referencia. Las diez ejecuciones pasan; también se registra una referencia aleatoria con el mismo presupuesto. Latencia por ciclo de recomendación, ensayo simulado y reajuste en CPU, sin HTTP.
QUÉ PODRÍAMOS CONSTRUIR CONTIGO
Variables de diseño, costes, restricciones, objetivo medible y forma de incorporar resultados.
Objetivo sintético, dos variables y candidatos discretos; no demuestra mejoras en materiales reales. La incertidumbre del modelo no es una garantía. Los CSV propios se usan sin inventar resultados; el simulador se desactiva hasta reiniciar.
Definir un piloto de Machine Learning ↗
Explorar demo
Sensores → predicción → cambio detectado
Distingue cambios en los datos de una pérdida de rendimiento del modelo.
30 de 30 comprobaciones · Datos sintéticos originalesComprobaciones documentadas; datos sintéticos
Explorar demo
Espectro → componentes → señal desconocida
Separa componentes espectrales y destaca señales que el modelo no explica.
99 de 100 comprobaciones · Datos sintéticos originalesComprobaciones documentadas; datos sintéticos