Causalidad temporal y selección de características: Situación actual y retos futuros

Abstract

En los últimos años, la demanda de algoritmos de inteligencia artificial capaces de modelar líneas de producción est+AOE aumentando en el sector industrial. Debido al elevado número de variables existentes en los procesos productivos, el primer paso para conseguir un buen modelo es la selección de un conjunto de variables representativo del proceso. Esto resulta ser especialmente difícil cuando se trata de líneas de ensamblaje, ya que, debido a su naturaleza continua y secuencial, son necesarios algoritmos capaces de lidiar con datos que presentan desfases temporales, redundancias y ruido en las medidas. En la actualidad existen algunos algoritmos diseñados explícitamente para determinar desfases temporales pero, sin embargo, estos no se muestran eficaces para conjuntos de datos industriales. En este trabajo analizamos 3 aproximaciones capaces de lidiar con conjuntos de datos con fuertes dependencias temporales, señalando sus puntos fuertes y débiles. Además, se esboza una posible línea de trabajo futuro capaz de tratar con este tipo de datos y dependencias.