La clasificación de datos en entornos donde las etiquetas disponibles son escasas representa uno de los desafíos más relevantes en el aprendizaje automático moderno. Cuando además los datos presentan una alta dimensionalidad, los enfoques tradicionales suelen perder eficacia. Una alternativa prometedora consiste en explotar la estructura geométrica subyacente del conjunto de datos, apoyándose en métricas que capturan la densidad local de los puntos. La distancia de Fermat, una medida sensible a la densidad que respeta la forma de los clusters naturales, permite construir clasificadores que aprovechan tanto los pocos ejemplos etiquetados como la abundante información no etiquetada. Al integrar esta métrica con técnicas de reducción de dimensionalidad como el escalado multidimensional, es posible aplicar clasificadores lineales sobre representaciones geométricas de alta fidelidad, logrando un rendimiento competitivo incluso en dominios complejos. Este enfoque semi-supervisado resulta especialmente útil en sectores donde etiquetar datos es costoso o requiere expertos, como el diagnóstico médico, la detección de fraudes o el análisis de sensores industriales. En Q2BSTUDIO desarrollamos soluciones de inteligencia artificial para empresas que integran estas técnicas avanzadas, permitiendo a nuestros clientes extraer valor de datos masivos con mínima intervención manual. Además, ofrecemos servicios de software a medida para adaptar estos modelos a necesidades específicas, junto con infraestructura cloud basada en servicios cloud aws y azure para escalar el entrenamiento y la inferencia. La combinación de métricas geométricas como la distancia de Fermat con agentes IA modernos permite construir sistemas de clasificación robustos, mientras que nuestras capacidades en inteligencia de negocio y power bi facilitan la visualización de los resultados para la toma de decisiones. Asimismo, incorporamos prácticas de ciberseguridad para proteger tanto los datos de entrenamiento como los modelos desplegados. Este tipo de aplicaciones a medida, desarrolladas desde una comprensión profunda de la teoría subyacente, posicionan a las organizaciones para afrontar los retos de la clasificación en alta dimensión sin comprometer la precisión ni la eficiencia.