Conectar el mundo físico con la Inteligencia Artificial
Este proyecto surge de la necesidad de conectar el mundo físico con la Inteligencia Artificial.
Para ello se crea este laboratorio, un lugar en donde investigar y explorar los limites de las tecnologías que marcan nuestro día a día.
Analítica y observabilidad para entender qué está pasando y por qué, con métricas claras.
Un proceso construido de principio a fin: del mundo físico a inteligencia artificial.
1
Investigación e hipótesis
Se formula la pregunta, las hipótesis y el protocolo experimental: qué variable se observa, qué condiciones se comparan y qué evidencia se considerará suficiente (métricas técnicas, no de negocio).
2
Instrumentación y adquisición
Se selecciona sensórica y electrónica, se calibra, se define muestreo y sincronización (tiempo/relación con eventos), y se verifica la calidad de la señal desde el origen.
3
Edge y comunicaciones
Se implementa firmware/edge computing: filtrado básico, compresión, buffering offline y envío seguro. Se eligen protocolos (MQTT/HTTP), autenticación por dispositivo y cifrado.
4
Concentrador e ingesta
Se configura el gateway/IoT hub: registro de dispositivos, topics/colas, enroutado y validación de payload. Se deja listo el flujo para batch y streaming según el caso.
5
Guardado de datos raw (bronze)
Se almacenan datos “tal cual” (raw) con particionado temporal, metadatos (equipo, ubicación, firmware) y trazabilidad. Esto asegura reproducibilidad y auditoría.
6
Calidad, limpieza y normalización
Se aplican controles de calidad (esquemas, rangos, duplicados), normalización y alineado temporal. Se gestionan outliers, faltantes y resampling para análisis robusto.
7
Etiquetado y feature engineering
Se define el ground truth, las ventanas y las agregaciones. Se extraen features (estadísticos, espectrales/FFT, eventos) y se generan datasets “silver/gold” orientados a modelado.
8
Entrenamiento y experimentación
Se construyen baselines, se entrenan modelos y se valida (offline y, si aplica, online). Se registran experimentos, versiones de datos y condiciones de repetición para poder comparar resultados de forma honesta.
9
Paquetización (edge/cloud) y MLOps
Se deja el entorno preparado para ejecutar inferencias y repetir experimentos: empaquetado, registry/versionado de modelos, pipelines reproducibles y despliegues controlados (si procede) en edge o cloud.
10
Observabilidad y mejora continua
Se monitorizan datos y modelos (drift, latencia, estabilidad), se definen alertas y bucles de recalibración/reentreno. Se documentan decisiones, límites del experimento y se mantiene trazabilidad de extremo a extremo.
Flujo orientado a convertir señales en conocimiento y resultados verificables.
En Data Torres se trabaja como un laboratorio aplicado:
se tienden puentes entre el mundo físico (sensores y señales) y el mundo digital (datos e IA).
Se acompaña cada proyecto de principio a fin: desde el planteamiento y la captura hasta el despliegue y la operación.
La especialización se centra en IoT, señales, analítica e Inteligencia Artificial, con el
objetivo de que las empresas conviertan sus señales en decisiones y automatizaciones fiables, sin depender de soluciones opacas.
El enfoque se basa en la atención personalizada, la
flexibilidad y el compromiso con resultados medibles.
La actividad se desarrolla desde Segovia y Madrid, y se colabora con equipos de toda España
en remoto o presencial, adaptándose a la realidad operativa de cada proyecto.
Nuestro propósito es convertir señales del mundo real en
decisiones y acciones con Inteligencia Artificial.
Se construyen soluciones de analítica e IA con una premisa simple:
que sean medibles, robustas y operables. Desde el sensor hasta el despliegue en edge/cloud, se busca integración sin fricción.
Se trabaja con foco en impacto, transparencia y
acompañamiento, para que la IA sea una herramienta controlable y no una caja negra.
Depende del objetivo y del punto de partida. No cuesta lo mismo partir con señales limpias y sensórica instalada que arrancar desde cero.
Normalmente se plantea un experimento acotado (2–6 semanas) para validar viabilidad técnica con métricas, y a partir de ahí se itera y se amplía el alcance si procede.
Sí. La seguridad es un requisito de base: comunicaciones cifradas, accesos controlados y tratamiento responsable de la información.
El tratamiento se realiza bajo RGPD/GDPR y el almacenamiento y el despliegue (cloud/edge/on‑premise) se adaptan a la política de seguridad.
No necesariamente. Se puede trabajar con un portal web, APIs o integraciones con herramientas existentes.
Si el caso lo requiere, se despliegan componentes en edge para procesar señales cerca del sensor y reducir latencia o dependencia de red.
Sí. Se diseñan integraciones para que la IA encaje en la operativa: APIs, conectores, exportaciones y dashboards.
El objetivo es cerrar el ciclo: señal → modelo → acción (alerta, orden de trabajo, ajuste de control) → medición.
Se trabaja con distintos sectores porque el núcleo es el mismo: señales, operación y objetivos. Lo que cambia es el contexto y las restricciones.
El enfoque se adapta al proceso y se valida con métricas técnicas y del dominio, no solo con métricas “de laboratorio”.
Para empezar, se necesitan tres cosas: una señal (o la posibilidad de capturarla), un objetivo claro y una forma de medir el éxito.
Con eso, se plantea un experimento acotado y un plan de instrumentación/IA para evolucionar el sistema si los resultados acompañan.
