La classificació de sèries temporals és una tasca fonamental en àmbits tan diversos com l'anàlisi de senyals mèdiques, la monitorització industrial i el reconeixement d'activitats basat en sensors. En aquests contextos, la informació de classe es manifesta a través de formes localitzades, freqüències específiques, desplaçaments temporals o complexes interaccions entre canals. Tradicionalment, els enfocaments basats en aprenentatge profund requereixen grans volums de dades etiquetades i un entrenament costós, mentre que les tècniques d'enginyeria de característiques manuals demanen un coneixement expert del domini. Una alternativa eficient i robusta són les transformacions convolucionals aleatòries, com els mètodes Rocket, MultiRocket i Hydra, que converteixen seqüències de longituds variables en representacions tabulars de dimensió fixa amb un cost computacional reduït. No obstant això, fins ara aquestes característiques solien combinar-se amb classificadors lineals simples, limitant la seva capacitat per capturar patrons complexos.
En aquest article explorem una nova aproximació que integra aquestes representacions convolucionals amb models fundacionals tabulars preentrenats. Aquesta combinació, que anomenem MASHT (MultiRocket And Hydra amb model fundacional tabular), permet realitzar classificació directa sense necessitat d'entrenament específic per a cada tasca. El procés és sorprenentment senzill: primer s'extreuen les característiques mitjançant MultiRocket i Hydra, i després s'alimenten a un model fundacional tabular que aprèn en context, és a dir, que infereix la relació entre les característiques i les etiquetes a partir dels mateixos exemples proporcionats. D'aquesta manera, s'evita completament la fase d'entrenament d'un classificador personalitzat, accelerant el desenvolupament i facilitant la implementació en entorns on les dades canvien amb freqüència.
Els resultats experimentals amb MASHT demostren que iguala o supera les línies base més avançades en classificació univariant, aconseguint un rang mitjà inferior al de HIVE-COTE 2.0, un dels conjunts de classificadors més potents. En tasques multivariants, el rendiment es manté altament competitiu davant els mètodes de referència més sòlids. Això obre la porta a aplicacions en temps real i a sistemes que requereixen adaptació contínua sense intervenció humana. Per exemple, en una planta industrial, els sensors generen sèries temporals de temperatura, vibració i pressió; amb MASHT es pot detectar instantàniament una anomalia sense necessitat de reentrenar models cada vegada que s'afegeix un nou tipus de sensor o canvien les condicions d'operació.
Des d'una perspectiva empresarial, l'adopció de tècniques com MASHT representa una oportunitat per optimitzar processos i reduir costos. A Q2BSTUDIO, empresa especialitzada en desenvolupament de programari i tecnologia, entenem que la clau està en integrar aquestes capacitats dins de solucions completes i personalitzades. Per exemple, un sistema de monitorització basat en sèries temporals pot beneficiar-se d'aplicacions a mida que incorporin models fundacionals tabulars per a classificació en temps real. A més, la infraestructura en el núvol és essencial per manejar el volum de dades i la latència requerida; per això, oferim serveis en cloud AWS i Azure que garanteixen escalabilitat i seguretat. La ciberseguretat també juga un paper crític, ja que les dades de sensors industrials o mèdiques són sensibles; les nostres solucions inclouen ciberseguretat i pentesting per protegir la integritat de la informació.
La intel·ligència artificial és el motor que impulsa aquestes innovacions. A Q2BSTUDIO desenvolupem IA aplicada, incloent agents IA que poden interactuar amb els classificadors de sèries temporals per prendre decisions autònomes. Per exemple, un agent IA podria rebre la predicció de MASHT i activar una alarma o ajustar paràmetres del procés sense intervenció humana. La visualització i l'anàlisi d'aquests resultats es potencien amb eines de Business Intelligence; implementem BI amb Power BI per crear dashboards interactius que mostrin les prediccions, les tendències i les alertes generades pels models.
L'automatització de processos és un altre pilar fonamental. En combinar MASHT amb fluxos de treball automatitzats, les empreses poden respondre a esdeveniments en mil·lisegons. El nostre equip a Q2BSTUDIO dissenya solucions d'automatització que integren la classificació de sèries temporals amb sistemes de control, ERP o plataformes IoT. Tot això sobre una base de programari a mida que s'adapta a les necessitats específiques de cada client, ja sigui en el sector salut, manufacturer o de serveis.
En resum, la classificació de sèries temporals mitjançant característiques convolucionals aleatòries combinades amb models fundacionals tabulars representa un avenç significatiu respecte als mètodes tradicionals. MASHT demostra que és possible obtenir un rendiment d'avantguarda sense necessitat d'entrenament específic, facilitant la seva adopció en entorns dinàmics i amb recursos limitats. A Q2BSTUDIO estem preparats per ajudar les organitzacions a implementar aquestes tecnologies, des de la consultoria inicial fins al desenvolupament d'aplicacions personalitzades, la integració en el núvol, la ciberseguretat, la intel·ligència artificial i la visualització de dades. El futur de la classificació de sèries temporals és prometedor, i amb l'enfocament adequat, qualsevol empresa pot aprofitar-lo per millorar les seves operacions i prendre decisions més informades.
