Aprendizaje automático aplicado al control de calidad industrial

Contexto y motivación

Durante mi etapa como Product Manager en un SaaS especializado en control de calidad industrial, gestionábamos diariamente miles de muestras procedentes de distintas líneas y sensores.
El reto era doble: garantizar la fiabilidad de los datos recogidos y, al mismo tiempo, extraer valor de ellos sin sobrecargar a los equipos de análisis.

Con el apoyo de un instituto tecnológico, desarrollamos un modelo de machine learning capaz de identificar patrones y detectar desviaciones o anomalías dentro de esos datos. Mi papel se centró en convertir ese modelo en un producto funcional y comprensible para el usuario final.

Diseño del producto

Diseñé un frontend de validación de datos que permitía a los técnicos revisar de forma visual las muestras recogidas y clasificarlas como válidas o anómalas.
Esa interacción humana alimentaba el modelo con nueva información, mejorando progresivamente su capacidad de detección.
El enfoque fue crear una interfaz simple pero expresiva, que tradujera la complejidad del modelo en acciones claras: selección, validación y seguimiento de resultados.

Posteriormente, desarrollé un módulo de explotación de datos que permitía visualizar tendencias, comparar series históricas y revisar la “salud” de la producción diaria.
El objetivo era que cualquier responsable de calidad pudiera comprender y actuar sobre los datos, sin necesidad de conocimientos técnicos avanzados.

Resultados y aprendizajes

El proyecto demostró que el valor real del machine learning emerge cuando se diseña una capa de producto que lo hace accesible y útil.
El modelo funcionaba, pero fue la interfaz —y el flujo de trabajo asociado— lo que permitió que los equipos adoptaran la herramienta y confiaran en sus resultados.

Al final, logramos que la revisión diaria de muestras pasara de ser un proceso reactivo a uno proactivo y basado en información real. Los analistas podían detectar tendencias antes de que derivaran en problemas, y el sistema se consolidó como una pieza clave del flujo de calidad.

Reflexión final

Este proyecto me enseñó que la inteligencia artificial no tiene impacto por sí sola: necesita diseño, contexto y empatía con el usuario.
Traducir un modelo complejo en una herramienta comprensible fue, en sí mismo, un ejercicio de diseño de producto y de comunicación de valor a través de los datos.