{"id":7317,"date":"2025-10-05T12:01:07","date_gmt":"2025-10-05T10:01:07","guid":{"rendered":"https:\/\/incibe.dasci.es\/uncategorized\/contenido-educativo-3-incibe-anomalas-y-aprendizaje-automtico\/"},"modified":"2026-02-18T13:00:35","modified_gmt":"2026-02-18T12:00:35","slug":"contenido-educativo-3-incibe-anomalas-y-aprendizaje-automtico","status":"publish","type":"post","link":"https:\/\/incibe.dasci.es\/en\/divulgacion\/contenido-educativo-3-incibe-anomalas-y-aprendizaje-automtico\/","title":{"rendered":"Contenido educativo 3 &#8211; INCIBE &#8211; Anomal\u00edas y aprendizaje autom\u00e1tico"},"content":{"rendered":"<figure class=\"wp-block-image aligncenter size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"767\" height=\"415\" src=\"https:\/\/dasci.es\/wp-content\/uploads\/2025\/10\/Captura-de-pantalla-2026-01-23-120308-1.png\" alt=\"\" class=\"wp-image-41013\" \/><\/figure>\n<figure class=\"wp-block-image aligncenter size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"309\" src=\"https:\/\/dasci.es\/wp-content\/uploads\/2025\/10\/3-NotebookLM-Mind-Map-2-1024x309.png\" alt=\"\" class=\"wp-image-41014\" \/><\/figure>\n<p>La detecci\u00f3n de anomal\u00edas en Inteligencia Artificial (IA) es un campo de estudio fundamental dentro del aprendizaje autom\u00e1tico y se relaciona con la identificaci\u00f3n de patrones inusuales o anormales en grandes vol\u00famenes de datos.<\/p>\n<h3 class=\"wp-block-heading\"><strong>\u00bfQu\u00e9 es una anomal\u00eda en IA?<\/strong><\/h3>\n<p>Una anomal\u00eda, tambi\u00e9n conocida como <strong>valor at\u00edpico<\/strong> (<em>outlier<\/em>) o rareza, es un elemento, suceso u observaci\u00f3n que se <strong>desv\u00eda significativamente de la mayor\u00eda de los datos<\/strong> y no se ajusta a una noci\u00f3n bien definida de comportamiento normal.<\/p>\n<p>En t\u00e9rminos simples, cuando un sistema de IA analiza datos, intenta decidir si una nueva observaci\u00f3n pertenece a la distribuci\u00f3n esperada (es un <em>inlier<\/em> o dato normal) o si es diferente y debe considerarse un <em>outlier<\/em>. Estas desviaciones son importantes porque pueden indicar que el dato fue generado por un mecanismo distinto al habitual.<\/p>\n<p>Por ejemplo, mientras que un aumento promedio en el tr\u00e1fico de un sitio web se considerar\u00eda normal, un pico de tr\u00e1fico inesperado y muy superior a la media es una anomal\u00eda, la cual podr\u00eda indicar tanto una ciberamenaza como una campa\u00f1a de marketing exitosa.<\/p>\n<h3 class=\"wp-block-heading\"><strong>\u00bfQu\u00e9 tipos de anomal\u00edas existen? (Enfoques de Detecci\u00f3n)<\/strong><\/h3>\n<p>Las t\u00e9cnicas de detecci\u00f3n de anomal\u00edas se clasifican generalmente en tres grandes categor\u00edas, dependiendo de c\u00f3mo est\u00e9n etiquetados los datos de entrenamiento:<\/p>\n<ol class=\"wp-block-list\">\n<li><strong>Detecci\u00f3n No Supervisada (Outlier Detection):<\/strong><strong><br \/><\/strong>\n<ul class=\"wp-block-list\">\n<li>Este es el enfoque m\u00e1s com\u00fan, ya que <strong>los datos no est\u00e1n etiquetados<\/strong>.<\/li>\n<li>Se asume que las anomal\u00edas ya est\u00e1n presentes, o \u00abcontaminan\u00bb, el conjunto de datos de entrenamiento.<\/li>\n<li>Los algoritmos intentan ajustarse a las regiones donde la mayor\u00eda de los datos est\u00e1n concentrados (el comportamiento normal), <strong>ignorando<\/strong> las observaciones desviadas.<\/li>\n<li>Se espera que las anomal\u00edas se encuentren en regiones de baja densidad de datos.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Detecci\u00f3n Semisupervisada (Novelty Detection):<\/strong><strong><br \/><\/strong>\n<ul class=\"wp-block-list\">\n<li>Se utiliza cuando el conjunto de <strong>datos de entrenamiento est\u00e1 \u00ablimpio\u00bb<\/strong> y no est\u00e1 contaminado por anomal\u00edas.<\/li>\n<li>El objetivo es construir un modelo robusto que represente \u00fanicamente el comportamiento normal o regular.<\/li>\n<li>Una vez entrenado, el sistema busca detectar si una <strong>nueva observaci\u00f3n<\/strong> (o <em>novelty<\/em>) es significativamente diferente de la distribuci\u00f3n normal aprendida, es decir, si cae fuera de la frontera definida.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Detecci\u00f3n Supervisada:<\/strong><strong><br \/><\/strong>\n<ul class=\"wp-block-list\">\n<li>Este enfoque requiere que los <strong>datos est\u00e9n completamente etiquetados<\/strong> como \u00abnormales\u00bb o \u00abanormales\u00bb.<\/li>\n<li>Implica el entrenamiento de un clasificador que aprende a distinguir entre ambas clases.<\/li>\n<li>Este m\u00e9todo se usa con menos frecuencia en la pr\u00e1ctica debido a la <strong>escasez general de datos de anomal\u00edas etiquetados<\/strong> y a la naturaleza inherentemente desequilibrada de las clases (las anomal\u00edas son mucho menos comunes que los datos normales).<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h3 class=\"wp-block-heading\"><strong>\u00bfC\u00f3mo se estudian y para qu\u00e9?<\/strong><\/h3>\n<h4 class=\"wp-block-heading\"><strong>1. Prop\u00f3sito (\u00bfPara qu\u00e9 se estudian las anomal\u00edas?)<\/strong><\/h4>\n<p>Las anomal\u00edas se estudian por varias razones cruciales, especialmente porque las propias anomal\u00edas a menudo representan las observaciones m\u00e1s importantes o deseables de encontrar en un conjunto de datos:<\/p>\n<ul class=\"wp-block-list\">\n<li><strong>Ciberseguridad y Detecci\u00f3n de Fraudes:<\/strong> La detecci\u00f3n de anomal\u00edas es fundamental para identificar actividades il\u00edcitas y amenazas como la detecci\u00f3n de intrusos en la red, ciberataques (inyecci\u00f3n SQL, denegaci\u00f3n de servicio), o fraude financiero (como el robo de identidad o el blanqueo de capitales).<\/li>\n<li><strong>Mantenimiento Predictivo:<\/strong> En la industria y la fabricaci\u00f3n, se utiliza para monitorizar el estado de los sistemas (como motores de buques o maquinaria) y detectar degradaciones o fallos en fases incipientes. Esto permite programar el mantenimiento de forma \u00f3ptima antes de que ocurra una aver\u00eda cr\u00edtica.<\/li>\n<li><strong>Diagn\u00f3stico y Salud:<\/strong> En medicina, la IA puede analizar datos hospitalarios o im\u00e1genes para identificar anomal\u00edas que puedan se\u00f1alar condiciones m\u00e9dicas, ineficiencias o fraudes.<\/li>\n<li><strong>Preprocesamiento de Datos:<\/strong> Hist\u00f3ricamente, las anomal\u00edas se buscaban para eliminarlas o corregirlas, asegurando que las estad\u00edsticas y los modelos de aprendizaje autom\u00e1tico fueran m\u00e1s precisos y no se vieran influenciados por valores desviados.<\/li>\n<\/ul>\n<h4 class=\"wp-block-heading\"><strong>2. Metodolog\u00eda (\u00bfC\u00f3mo se estudian las anomal\u00edas?)<\/strong><\/h4>\n<p>Para estudiar y detectar las anomal\u00edas, los profesionales utilizan diversas t\u00e9cnicas de aprendizaje autom\u00e1tico, implementadas mediante modelos que aprenden de los datos y asignan puntuaciones o etiquetas a las observaciones.<\/p>\n<p><strong>T\u00e9cnicas y Algoritmos Populares:<\/strong><\/p>\n<figure class=\"wp-block-table\">\n<table class=\"has-fixed-layout\">\n<tbody>\n<tr>\n<td><strong>Enfoque de Detecci\u00f3n<\/strong><\/td>\n<td><strong>Algoritmos \/ M\u00e9todos Comunes (Ejemplos)<\/strong><\/td>\n<td><strong>Descripci\u00f3n Breve<\/strong><\/td>\n<\/tr>\n<tr>\n<td><strong>No Supervisado (Outlier Detection)<\/strong><\/td>\n<td><strong>Isolation Forest<\/strong>, <strong>Local Outlier Factor (LOF)<\/strong>, <strong>Elliptic Envelope<\/strong>.<\/td>\n<td>El <strong>Isolation Forest<\/strong> a\u00edsla las anomal\u00edas al ser \u00abpocas y diferentes\u00bb, requiriendo menos particiones para separarlas del resto de datos. El <strong>LOF<\/strong> calcula una puntuaci\u00f3n basada en la desviaci\u00f3n de la densidad local de un punto con respecto a sus vecinos.<\/td>\n<\/tr>\n<tr>\n<td><strong>Semi-supervisado (Novelty Detection)<\/strong><\/td>\n<td><strong>One-Class Support Vector Machine (One-Class SVM)<\/strong>, <strong>Autoencoder<\/strong>.<\/td>\n<td>El <strong>One-Class SVM<\/strong> aprende una frontera alrededor de las observaciones normales. Los <strong>Autoencoders<\/strong> (un tipo de red neuronal) se entrenan para reconstruir datos normales; si reciben una anomal\u00eda, el error de reconstrucci\u00f3n es alto y se usa para detectarla.<\/td>\n<\/tr>\n<tr>\n<td><strong>Multiclase (General)<\/strong><\/td>\n<td><strong>K-Vecinos m\u00e1s Pr\u00f3ximos (KNN)<\/strong>, <strong>Random Forest<\/strong>.<\/td>\n<td>Algoritmos de clasificaci\u00f3n que se pueden usar para clasificar un punto de datos como normal o an\u00f3malo, especialmente si el problema de desbalanceo de clases se corrige previamente.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/figure>\n<p><strong>Proceso de Clasificaci\u00f3n:<\/strong><\/p>\n<p>Una vez que un estimador (algoritmo) es entrenado con los datos, las nuevas observaciones pueden clasificarse con un m\u00e9todo de predicci\u00f3n. Generalmente, a los datos normales o <em>inliers<\/em> se les asigna la etiqueta 1, mientras que a las anomal\u00edas u <em>outliers<\/em> se les asigna la etiqueta -1.<\/p>\n<p>El rendimiento de un m\u00e9todo en particular depende del conjunto de datos y los par\u00e1metros utilizados, ya que no hay una \u00fanica t\u00e9cnica que funcione mejor sistem\u00e1ticamente en todos los casos.<\/p>\n<hr class=\"wp-block-separator has-alpha-channel-opacity\" \/>\n<p><em>Para entender la diferencia entre los dos principales enfoques de detecci\u00f3n (Outlier vs. Novelty), imagina un control de calidad en una f\u00e1brica de pelotas de tenis:<\/em><\/p>\n<ul class=\"wp-block-list\">\n<li><strong><em>Detecci\u00f3n de valores at\u00edpicos (No Supervisada):<\/em><\/strong> <em>Recoges todas las pelotas de una caja, sabiendo que algunas podr\u00edan ser defectuosas. Intentas identificar cu\u00e1les est\u00e1n mal (son muy diferentes o est\u00e1n solas) solo observando d\u00f3nde se concentran las pelotas buenas.<\/em><\/li>\n<li><strong><em>Detecci\u00f3n de novedades (Semisupervisada):<\/em><\/strong> <em>Solo te dan una caja de pelotas que sabes que son perfectas. Con ellas, aprendes exactamente qu\u00e9 es una \u00abpelota normal\u00bb. Luego, si te dan una pelota nueva, puedes decir si es un objeto totalmente nuevo o si coincide con la definici\u00f3n de \u00abperfecta\u00bb que aprendiste.<\/em><\/li>\n<\/ul>\n<div data-wp-interactive=\"core\/file\" class=\"wp-block-file\"><object><\/object><a id=\"wp-block-file--media-19823eb9-718a-4268-b0c4-b0f0f0407c06\" href=\"https:\/\/dasci.es\/wp-content\/uploads\/2025\/10\/3-Deteccion_de_Anomalias_con_IA_Resiliencia_y_Estrategia.pdf\">3 &#8211; Deteccio\u0301n_de_Anomali\u0301as_con_IA_Resiliencia_y_Estrategia<\/a><a href=\"https:\/\/dasci.es\/wp-content\/uploads\/2025\/10\/3-Deteccion_de_Anomalias_con_IA_Resiliencia_y_Estrategia.pdf\" class=\"wp-block-file__button wp-element-button\" download aria-describedby=\"wp-block-file--media-19823eb9-718a-4268-b0c4-b0f0f0407c06\">Descarga<\/a><\/div>\n<div class=\"wp-block-file\"><a id=\"wp-block-file--media-e37e4ab6-71ac-4150-adac-95e68a64f1a6\" href=\"https:\/\/dasci.es\/wp-content\/uploads\/2025\/10\/3-Deteccion_de_anomalias_con_IA.mp4\">3 &#8211; Deteccio\u0301n_de_anomali\u0301as_con_IA<\/a><a href=\"https:\/\/dasci.es\/wp-content\/uploads\/2025\/10\/3-Deteccion_de_anomalias_con_IA.mp4\" class=\"wp-block-file__button wp-element-button\" download aria-describedby=\"wp-block-file--media-e37e4ab6-71ac-4150-adac-95e68a64f1a6\">Descarga<\/a><\/div>\n<p>Esta publicaci\u00f3n de material divulgativo es parte del Proyecto Estrat\u00e9gico IAFER-Cib (C074\/23), fruto del convenio de colaboraci\u00f3n suscrito entre el Instituto Nacional de Ciberseguridad (INCIBE) y la Universidad de Granada. Esta iniciativa se lleva a cabo en el marco de los fondos del Plan de Recuperaci\u00f3n, Transformaci\u00f3n y Resiliencia, financiados por la Uni\u00f3n Europea (Next Generation).<\/p>\n<h4 class=\"wp-block-heading\">#ProyectosCiber #PlanDeRecuperaci\u00f3n #NextGenerationEU<\/h4>\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"63\" src=\"https:\/\/dasci.es\/wp-content\/uploads\/2026\/01\/Nueva-version-Banda-de-logos_INCIBE-1024x63.png\" alt=\"\" class=\"wp-image-41002\" \/><\/figure>","protected":false},"excerpt":{"rendered":"<p>La detecci\u00f3n de anomal\u00edas en Inteligencia Artificial (IA) es un campo de estudio fundamental dentro del aprendizaje autom\u00e1tico y se relaciona con la identificaci\u00f3n de patrones inusuales o anormales en grandes vol\u00famenes de datos. \u00bfQu\u00e9 es una anomal\u00eda en IA? Una anomal\u00eda, tambi\u00e9n conocida como valor at\u00edpico (outlier) o rareza, es un elemento, suceso u [&hellip;]<\/p>\n","protected":false},"author":0,"featured_media":7318,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6],"tags":[294,22,156,147],"website":[144],"class_list":["post-7317","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-divulgacion","tag-anomalias","tag-aprendizaje-automatico","tag-ciberseguridad","tag-incibe","website-dasci"],"_links":{"self":[{"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/posts\/7317","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/comments?post=7317"}],"version-history":[{"count":6,"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/posts\/7317\/revisions"}],"predecessor-version":[{"id":9207,"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/posts\/7317\/revisions\/9207"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/media\/7318"}],"wp:attachment":[{"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/media?parent=7317"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/categories?post=7317"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/tags?post=7317"},{"taxonomy":"website","embeddable":true,"href":"https:\/\/incibe.dasci.es\/en\/wp-json\/wp\/v2\/website?post=7317"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}