El reconocimiento de actividades humanas (HAR) mediante sensores inerciales se ha consolidado como una tecnología clave en sectores como la salud, el deporte de élite y la automatización industrial. Sin embargo, los modelos supervisados tradicionales exigen grandes volúmenes de datos etiquetados, lo que limita su escalabilidad. El zero-shot learning (ZSL) ofrece una vía prometedora al permitir identificar actividades nunca vistas durante el entrenamiento, pero se enfrenta a un desafío fundamental: la brecha entre las representaciones numéricas de los sensores y las descripciones semánticas de las actividades. Investigaciones recientes demuestran que esta desconexión no es un problema de inferencia, sino que se origina en la fase de entrenamiento, condicionada por el objetivo del codificador. Al sustituir prototipos basados en etiquetas simples por descripciones textuales más ricas y discriminativas, la alineación entre embeddings de sensores y texto mejora drásticamente. El entrenamiento contrastivo, combinado con correcciones como el softmax invertido, logra incrementos significativos en precisión y en la métrica macro F1 para clases no vistas, especialmente importante cuando las distribuciones de clases en los conjuntos de prueba están desbalanceadas. Un hallazgo relevante es que descripciones muy detalladas pueden reducir la separabilidad entre prototipos debido al vocabulario biomecánico compartido, pero el beneficio neto se mantiene si se preservan términos discriminativos.

Estos avances abren la puerta a aplicaciones prácticas en entornos reales, como el monitoreo remoto de pacientes, la optimización de rutinas deportivas o la seguridad laboral. Para implantar estas soluciones es necesario contar con plataformas robustas que integren modelos de inteligencia artificial, procesamiento en tiempo real y despliegue en la nube. Empresas como Q2BSTUDIO, especializada en desarrollo de software y tecnología, ofrecen precisamente ese ecosistema: desde ia para empresas basada en aprendizaje contrastivo y zero-shot, hasta aplicaciones a medida que adaptan estos algoritmos a la casuística de cada organización. Además, sus servicios cloud AWS y Azure garantizan la escalabilidad y la baja latencia que exigen los sistemas HAR en producción, mientras que las capacidades de inteligencia de negocio con Power BI permiten visualizar y analizar los patrones de actividad detectados. La ciberseguridad también juega un papel relevante cuando se manejan datos sensibles de usuarios, y Q2BSTUDIO incorpora prácticas de pentesting y protección en todas sus implementaciones. Por último, la automatización de procesos mediante agentes IA puede enriquecer aún más estos sistemas, permitiendo respuestas autónomas ante determinadas actividades detectadas. En definitiva, la combinación de técnicas avanzadas de ZSL con un ecosistema tecnológico integral hace que el reconocimiento de actividades humanas sea hoy más preciso, flexible y accesible para las empresas.