Sprint 1–4
Análisis
Catálogo de fallos IA industriales
SIIRSE — IA industrial que no falla cuando más importa
Sistemas Industriales Inteligentes, Robustos, Seguros y Éticos: metodología para construir IA que minimiza fallos desde el diseño y lo hace auditable.
El reto
Un sistema de IA que falla en un entorno de oficina es un inconveniente. Un sistema de IA que falla en una planta industrial puede parar la producción, dañar maquinaria o comprometer la seguridad de los trabajadores.
Un sistema de IA que falla en un entorno de oficina es un inconveniente. Un sistema de IA que falla en una planta industrial puede parar la producción, dañar maquinaria o comprometer la seguridad de los trabajadores. La industria vasca necesitaba una metodología para construir IA que fuera robusta frente a condiciones inesperadas, segura frente a ataques y éticamente auditable.
"No basta con que la IA funcione en el laboratorio. Tiene que funcionar el martes a las 3 de la mañana cuando hay un pico de temperatura en la planta y alguien está intentando manipular los datos del sensor."
Datos del proyecto
Consorcio
Tecnalia, Tekniker, Mondragon Goi Eskola Politeknikoa, Universidad de Deusto, Dominion I+D, Hispavista Labs
Periodo
Julio 2022 – Diciembre 2023 (18 meses)
Rol HVLabs
Casos de uso en energía eólica, ciclo de desarrollo de modelos IA robustos, metodologías de transparencia y confiabilidad
Tecnología
Machine Learning · XAI · Ciberseguridad IA · Testing de sistemas IA · Aprendizaje Federado
De investigación a metodología validada
m
Timeline del proyecto
De la idea al sistema en producción
El Sprint 9-12 es el hito donde Hispavista Labs valida el framework con un caso real en el ámbito de la energía eólica: maximizar la producción de activos eólicos con modelos de IA transparentes y confiables. El mismo entorno y datos que Yawite, pero con enfoque en robustez y ética del modelo.
La solución
Robustez desde el diseño — no como parche
SIIRSE investiga nuevos paradigmas de arquitectura que incorporan la robustez como requisito de diseño, no como corrección posterior. Esto incluye nuevos métodos de análisis de la centralidad del dato para identificar vulnerabilidades antes de que el modelo entre en producción.
Testing de sistemas IA — más allá del accuracy
La metodología SIIRSE desarrolla criterios de adecuación y generación de oráculos para probar que los sistemas de IA son lo suficientemente fiables y robustos en condiciones extremas: datos corruptos, ataques adversariales, distribuciones out-of-distribution.
Monitorización y explicabilidad en runtime
Un modelo de IA en producción no puede ser una caja negra. SIIRSE desarrolla técnicas de monitorización que detectan cuándo el modelo está operando fuera de sus límites y de explicabilidad que permiten a los operarios industriales entender qué está haciendo el sistema en tiempo real.
Por qué te importa
Por qué esto importa para tu operación
Casos de éxito
¿Tu operación tiene un problema parecido?
Cuéntanos el reto. En 30 minutos te decimos si tiene solución con lo que ya tienes.
"*" señala los campos obligatorios