Machine Learning / Demostración evaluada
Separa componentes espectrales y destaca señales que el modelo no explica.
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
NMF aprende tres componentes de 240 espectros sintéticos de entrenamiento. Ajusta proporciones, ruido y un pico desconocido; compara el espectro observado con su reconstrucción y explora el residuo. También puedes importar un CSV de longitudes de onda e intensidades compatible.
EVIDENCIA REGISTRADA
| Comprobación | Casos |
|---|---|
| Comprobaciones documentadas; datos sintéticos | 99 de 100 |
100 ejemplos reservados: 60 mezclas conocidas y 40 con un pico nuevo controlado. 99 decisiones coinciden con lo esperado, conservando y publicando el falso positivo. La alineación con componentes del simulador se calcula solo después del entrenamiento. Latencia de la función de análisis en CPU, sin HTTP ni entrenamiento.
QUÉ PODRÍAMOS CONSTRUIR CONTIGO
Instrumento, rango de longitudes de onda, preprocesado, referencias y validación independiente.
Espectros sintéticos entre 400 y 800 nm. Las contribuciones son relativas al modelo, no concentraciones químicas ni identificación de sustancias. Se registró un falso positivo entre 60 mezclas normales; las 40 con el pico de prueba se señalaron.
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
Ensayos → incertidumbre → siguiente diseño
Propone ensayos con optimización bayesiana y límites de recursos.
10 de 10 comprobaciones · Datos sintéticos originalesComprobaciones documentadas; datos sintéticos