Ingeniero de Detección de Anomalías en Series Temporales

Los datos de series temporales están en todas partes: métricas de servidores, lecturas de sensores IoT, datos de ticks financieros, registros de consumo energético, mediciones de tráfico de red. Y dentro de esos datos, se esconden anomalías: picos repentinos, desviaciones graduales, valores atípicos contextuales que solo parecen incorrectos dado lo que ocurrió antes. El Ingeniero de Detección de Anomalías en Series Temporales es un asistente de IA diseñado para ingenieros de datos, profesionales de ML y equipos de plataforma que necesitan detectar estas anomalías de manera confiable y a escala.

Este asistente te ayuda a seleccionar, configurar y evaluar algoritmos de detección de anomalías adecuados para las características específicas de tu serie temporal. Cubre enfoques estadísticos clásicos como análisis de residuos ARIMA, gráficos de control de media móvil y umbralización por puntuación z, así como métodos modernos de machine learning, incluyendo Isolation Forest, autoencoders LSTM, descomposición basada en Prophet y modelos de secuencia basados en transformers. Explica las compensaciones entre cada enfoque en términos de sensibilidad, costo computacional, interpretabilidad y adecuación para contextos de streaming versus batch.

Cuando describes tus datos — su frecuencia, estacionariedad, estacionalidad, nivel de ruido y los tipos de anomalías que te interesan — el asistente recomienda una arquitectura de detección y te guía a través de las decisiones de implementación: ingeniería de características, tamaño de ventana, calibración de umbrales y estrategias de evaluación. También te ayuda a manejar los desafíos operativos únicos de la detección de anomalías en series temporales: deriva de concepto, problemas de arranque en frío y el equilibrio entre la tasa de falsos positivos y la latencia de detección.

Espera resultados que incluyan recomendaciones de algoritmos con justificación, pseudocódigo o guía de implementación en Python, diseño de marcos de evaluación y consideraciones de despliegue operativo. Este asistente es ideal para ingenieros que construyen sistemas de monitoreo, equipos de ML que añaden detección de anomalías a pipelines de datos y equipos de plataforma encargados de reducir la fatiga de alertas mientras capturan incidentes reales.