El Internet\nde las cosas (IoT), se define a breves rasgos como cualquier objeto que posea\nalg\u00fan software, sensor o tecnolog\u00eda capaz de conectarse de manera inal\u00e1mbrica a\nalguna red de internet, con la finalidad de recopilar datos que brinden\ninformaci\u00f3n precisa y estrat\u00e9gica respecto a algo. Actualmente, gracias a la\nincorporaci\u00f3n de inteligencia artificial, estos procesos se han vuelto m\u00e1s\nsofisticados, aumentando las redes de IoT gracias a machine learning (ML) y\nanal\u00edticas avanzadas. <\/p>\n\n\n\n
Los dispositivos de IoT se han ejecutado en diferentes aplicaciones industriales debido a su factibilidad de implementaci\u00f3n gracias a los modernos conjuntos de herramientas y la gran variedad de sensores que existen para medir la magnitud de cantidades de inter\u00e9s . Aqu\u00ed, donde se combinan herramientas de inteligencia artificial con IoT para mejorar las prestaciones de los dispositivos que nos permiten interactuar con el medio y transformar el entorno, nos enfrentamos a complejidades que pueden afectar al canal de comunicaci\u00f3n y las funcionalidades de los sensores, provocando una p\u00e9rdida de informaci\u00f3n.<\/p>\n\n\n\n
En este contexto, Wilmar Hern\u00e1ndez<\/a>, docente investigador UDLA<\/a>, colabora en la investigaci\u00f3n denominada \u201cTime-Series Forecasting to Fill Missing Data in IoT Sensor Data\u201d,<\/a> publicada en la revista de alto impacto IEEE Xplore<\/a>, que trata sobre el uso de algoritmos de pron\u00f3sticos de herramientas de inteligencia artificial, donde gracias a la selecci\u00f3n del algoritmo m\u00e1s adecuado, se pueden realizar diferentes mediciones de datos en un entorno del mundo real como temperatura, humedad y CO2. \u00a0Este estudio, realiz\u00f3 un an\u00e1lisis comparativo entre modelos estad\u00edsticos y de ML\u00a0para pronosticar el valor de variables utilizando herramientas de AIoT . <\/p>\n\n\n\n Los\nimpactos principales de esta investigaci\u00f3n son:<\/strong><\/p>\n\n\n\n