En el ámbito de la predicción de series temporales multivariadas, disciplinas como la gestión energética, la planificación logística o el análisis financiero exigen modelos que equilibren precisión y eficiencia computacional. Tradicionalmente, las arquitecturas basadas en Transformers dominaban este campo, pero investigaciones recientes demuestran que enfoques basados exclusivamente en perceptrones multicapa (MLP) pueden alcanzar rendimientos superiores con un coste de cálculo mucho menor. En este contexto surge ITS-Mina, un marco completamente MLP que introduce tres innovaciones clave: un mecanismo de refinamiento iterativo que aplica repetidamente un bloque residual de parámetros compartidos para profundizar la representación temporal sin aumentar el número de parámetros diferenciados; un módulo de atención externa que reemplaza la autoatención tradicional con unidades de memoria aprendibles, capturando dependencias globales entre muestras con complejidad lineal; y un algoritmo de optimización basado en Harris Hawks (HHO) que ajusta automáticamente la tasa de dropout, proporcionando regularización adaptativa a cada conjunto de datos. Estas características permiten a ITS-Mina alcanzar un rendimiento de vanguardia en múltiples horizontes de predicción, según evaluaciones en seis conjuntos de datos públicos. Para una empresa que desee implementar soluciones de este tipo, contar con un socio tecnológico que desarrolle inteligencia artificial para empresas resulta fundamental. En Q2BSTUDIO integramos estas capacidades en aplicaciones a medida, combinando modelos avanzados con servicios cloud AWS y Azure, ciberseguridad, y soluciones de inteligencia de negocio como Power BI. Además, nuestros agentes IA y sistemas de software a medida permiten a las organizaciones automatizar procesos predictivos complejos, mientras que los servicios inteligencia de negocio transforman los resultados en dashboards accionables. La flexibilidad de ITS-Mina para adaptar su regularización mediante HHO ejemplifica cómo la ia para empresas puede ajustarse dinámicamente a distintos volúmenes y patrones de datos, algo que en Q2BSTUDIO potenciamos mediante infraestructura escalable y metodologías de desarrollo ágil. Así, la predicción de series temporales deja de ser un desafío puramente algorítmico para convertirse en un activo estratégico integrado en la operativa diaria.