Datos sucios, IoT e IA · Laboratorio interactivo
Un sensor se equivoca.
La IA lo multiplica.
Una cámara frigorífica está a 3,5 °C. Un sensor envía 38,3 °F. Si el sistema interpreta todo como Celsius, puede detectar una avería que no existe… y actuar sobre ella.
01 / Experimenta
Provoca el error.
Cambia el dato de entrada y mira cómo viaja hasta el receptor. Cada 2,4 segundos los tres sensores emiten una lectura.
Entrada
Prueba: observa el error → activa la validación → sube a 10 °C. Limpiar los datos también debe conservar una alarma auténtica.
Banco de sensores EMITIENDO
Los tres sensores emiten en Celsius. Activa el problema del sensor para introducir una lectura en Fahrenheit.
02 / Sigue el dato
La misma cámara. Dos versiones.
Regla del ejercicio: promedio > 8 °C → alerta. Umbral didáctico, no una recomendación de conservación. La referencia real permite comprobar el error; un sistema real necesita evidencia independiente.
Mensajes IoT → valores utilizados
| Sensor | Dato recibido | Sin validar | Con validación |
|---|---|---|---|
| A | — | — | — |
| B | — | — | — |
| C | — | — | — |
La columna resaltada es la que el sistema está usando ahora.
Telemetría en bruto
El mensaje incluye la unidad. El fallo no está en el dato: está en quien lo lee.
03 / Del dato a la acción
El error gana alcance en cada uso.
No son cuatro tecnologías separadas: el aprendizaje automático y la IA generativa forman parte de la IA; un agente puede combinarlas. Mira cómo la lectura recorre la cadena en cada ciclo.
01 — Aprendizaje automático●
Aprende el patrón
Un histórico defectuoso distorsiona lo que el modelo aprende.
Aquí se usa una media como predictor simplificado; no se entrena un modelo.
02 — Sistema de IA●
Convierte en diagnóstico
Una salida ordenada da apariencia de fiabilidad a una entrada incorrecta.
Se representa con una regla de umbral, no con una IA externa.
03 — IA generativa●
Lo explica con seguridad
Una explicación convincente no demuestra que el dato sea verdadero.
Texto generado por una plantilla para mostrar el riesgo de una conclusión sin evidencia.
04 — IA agéntica●
Lo convierte en acción
La autonomía lleva el error del informe a una operación.
Todas las acciones se simulan. No se envían órdenes ni avisos.
La idea que importa
Más autonomía exige mejores datos y controles.
Validar reduce errores de entrada. Supervisar las acciones limita sus consecuencias.
Alguien responde por cada sensor y revisa su calibración.
Unidades, zona horaria y significado compartidos.
Un mismo mensaje no cuenta varias veces.
Verificar calidad y antigüedad; conservar el dato original.
¿Por qué importa la calidad de los datos en un sistema de IA?
Los errores de los datos pueden trasladarse a las predicciones, a las explicaciones y a las acciones automáticas. Validar unidades, duplicados y vigencia reduce errores de entrada; revisar las acciones limita sus consecuencias.
Cómo se utiliza en este recurso
Tres sensores de una cámara frigorífica ficticia envían lecturas cada 2,4 segundos. El laboratorio muestra los mensajes, su conversión de Fahrenheit a Celsius, el historial y una cadena de predicción, diagnóstico, informe y acción simulada con autorización o rechazo humano.
Alcance y límites
No se entrena ni se consulta un modelo de IA. Los datos son sintéticos, el umbral de 8 °C es didáctico y las acciones no controlan equipos. Deduplicar mensajes no corrige un sensor mal calibrado.
Preguntas frecuentes
¿Limpiar datos elimina cualquier error?
No. La validación no sustituye la calibración, la evaluación del modelo ni la supervisión de las acciones.
¿Los datos proceden de sensores reales?
No. Son datos sintéticos de un caso realista, generados dentro de esta página.