Un estudio publicado en 2025 en Discover Applied Sciences trabajó con un dataset de diagnóstico a bordo (OBD) en el que solo el 16,3% de los registros correspondía a una falla real, y probó distintas técnicas para lidiar con ese desbalance de clases —la situación en la que un modelo tiene muchísimos más ejemplos de "todo normal" que de "hay una falla"— antes de entrenar seis modelos de machine learning distintos. El resultado: técnicas de aprendizaje sensible al costo permitieron que XGBoost alcanzara puntajes casi perfectos en todas las métricas, y el sobremuestreo sintético (SMOTE) mostró una mejora estadísticamente significativa. La lección de fondo es que un modelo de mantenimiento predictivo que no atiende este desbalance puede parecer preciso en general y, al mismo tiempo, fallar sistemáticamente en detectar justo los casos de falla real que importa anticipar.
El problema que no se ve a primera vista: el desbalance de clases
Cuando se entrena un modelo para predecir fallas de mantenimiento, la mayoría de los registros históricos van a corresponder a "todo funcionaba bien" —porque, afortunadamente, las fallas reales son la minoría—. En el dataset del estudio, solo el 16,3% de los registros de diagnóstico a bordo correspondía a una falla real.
Ese desbalance es un problema silencioso: un modelo puede aprender a predecir "todo bien" casi siempre y acertar en más del 80% de los casos sin haber aprendido nada útil sobre cómo se ve una falla real, simplemente porque las fallas son estadísticamente raras en los datos de entrenamiento.
Qué técnicas funcionaron mejor para corregirlo
Los investigadores probaron tres enfoques distintos para lidiar con el desbalance —sobremuestreo sintético de la clase minoritaria (SMOTE), aprendizaje sensible al costo (que penaliza más los errores sobre la clase rara) y métodos de ensamble— sobre seis modelos de machine learning distintos, incluyendo XGBoost y LightGBM.
El aprendizaje sensible al costo fue el enfoque más sólido: XGBoost alcanzó puntajes prácticamente perfectos en todas las métricas evaluadas, con AdaBoost y LightGBM también mostrando un buen balance entre precisión y sensibilidad. El sobremuestreo con SMOTE, por su parte, mostró una mejora estadísticamente significativa tanto en la métrica F1 como en el área bajo la curva ROC.
Qué significa esto para evaluar un sistema de mantenimiento predictivo
Este hallazgo es relevante para cualquiera que esté evaluando o ya use un sistema de mantenimiento predictivo: una métrica de precisión general alta no garantiza que el sistema detecte bien las fallas reales, que son justamente los casos raros y los que importa anticipar. Vale la pena preguntar específicamente cómo se mide la capacidad del sistema para detectar la clase minoritaria —la falla real— y no solo su precisión general.
Para una flota de vehículos livianos, la escasez de casos de falla es, en el fondo, una buena noticia sobre la confiabilidad del parque: pero es justamente esa escasez la que exige que cualquier sistema de alertas predictivas esté diseñado pensando en ella, en vez de tratarla como un detalle menor del entrenamiento del modelo.
¿Qué significa "desbalance de clases" en términos simples?
Es cuando, en un conjunto de datos usado para entrenar un modelo, una categoría (por ejemplo, "falla real") aparece mucho menos que la otra ("todo funciona bien"). Ese desequilibrio dificulta que el modelo aprenda a reconocer bien la categoría minoritaria.
¿SMOTE genera datos falsos para entrenar el modelo?
SMOTE crea ejemplos sintéticos de la clase minoritaria basados en las características de los ejemplos reales existentes, no inventa datos arbitrarios. Es una técnica estadística establecida para compensar el desbalance, no una forma de "inflar" artificialmente los resultados.
¿Este estudio usó datos de una flota real de autos?
Usó un dataset de diagnóstico a bordo (OBD) con registros de fallas y no-fallas; el paper no detalla si proviene de una flota comercial específica. El hallazgo sobre cómo tratar el desbalance de clases es un principio general de ciencia de datos aplicable a cualquier fuente de datos de mantenimiento con esta misma característica.