La detección de anomalías es fundamental en procesos industriales, control de calidad, mantenimiento predictivo y seguridad, ya que permite identificar comportamientos inesperados antes de que se conviertan en fallas, pérdidas económicas o riesgos operativos.

Aunque históricamente fue un privilegio de grandes corporaciones con enormes datasets e infraestructura costosa, hoy es posible implementar sistemas de detección de anomalías utilizando hardware accesible y modelos compactos de Machine Learning.

Esta charla recorre la evolución histórica de la detección de anomalías —desde métodos manuales y ópticos hasta enfoques actuales basados en IA— y explica por qué este problema es diferente de la clasificación tradicional de objetos. También se abordarán los desafíos técnicos más comunes, incluyendo la asimetría de datos (los eventos anómalos son poco frecuentes y esto dificulta el uso de clasificación supervisada tradicional)

** La presentación finaliza con la construcción paso a paso de un detector visual de anomalías utilizando Arduino UNO Q y una cámara USB estándar. **

- Qué es el Edge Machine Learning
- Métodos históricos de detección de anomalías
- Diferencias entre detección de anomalías y clasificación de objetos
- Asimetría de datos
- Ventajas de modelos compactos de ML frente a grandes VLMs
- Opciones posteriores a la detección: alarmas, automatización, logging y reacciones físicas
- Construcción de un detector visual de anomalías utilizando hardware commodity
Sobre Roni Bandini: I’m the founder of the Maker Counterculture initiative, exploring the intersection of technology, subversion, and creative resistance. My work focuses on TinyML prototypes and LLM projects, pushing the boundaries of AI and embedded systems.

I’ve been a speaker at ORT, UCA, UTN, UADE, Hope New York, Nerdearla, Ekoparty, DebConf, TedX and Maker Faire Rome. My work has been featured in Wired, Vice, Elektor, Gizmodo and BBC.

As an author, I’ve published the novels El Sueño Colbert, La Gran Monterrey, and Macadam. Ver menos