En el ámbito del transporte marítimo, los sistemas de identificación automática (AIS) generan enormes volúmenes de datos sobre la posición, velocidad y rumbo de los buques. Detectar anomalías en estos registros —como saltos de posición, cambios bruscos de rumbo o brechas temporales— es esencial para la seguridad, la prevención de siniestros y la protección del medio ambiente. Sin embargo, evaluar la calidad de los modelos de detección de anomalías no supervisados supone un desafío, ya que no disponen de etiquetas de referencia. En este contexto surge MADQI (Maritime Anomaly Detection Quality Index), una métrica compuesta diseñada para valorar el rendimiento de estos algoritmos sin necesidad de datos etiquetados.

MADQI integra cuatro indicadores clave: la consistencia en la tasa de anomalías (ARC), la plausibilidad física de las detecciones (PPS), la separación en la distribución de puntuaciones entre normales y anómalos (SDS) y la evidencia de casos extremos (ECE). Gracias a una normalización automática mediante evaluación por fragmentos y escalado adaptativo, se obtiene una puntuación global que refleja la fiabilidad del modelo. En las pruebas experimentales con datos AIS reales, el marco propuesto alcanzó un 80,37% de efectividad, destacando especialmente la capacidad para identificar anomalías extremas (ECE: 0,907) y mantener una tasa de detección coherente (ARC: 1,000).

Este enfoque resulta especialmente valioso para empresas que desarrollan soluciones de inteligencia artificial para empresas y necesitan validar sus modelos sin depender de conjuntos etiquetados. Q2BSTUDIO, como compañía especializada en desarrollo de software y tecnología, ofrece servicios que van desde la creación de aplicaciones a medida hasta la implementación de sistemas de ciberseguridad y servicios cloud AWS y Azure. Sus expertos en servicios de inteligencia de negocio pueden integrar métricas como MADQI en plataformas de análisis, proporcionando dashboards en Power BI que visualizan el comportamiento anómalo de flotas en tiempo real.

Además, la arquitectura de MADQI se apoya en cálculos de distancia Haversine y análisis espacio-temporal, lo que la hace fácilmente desplegable en entornos cloud. Combinando la potencia de los agentes IA con infraestructuras escalables, las organizaciones pueden monitorizar grandes volúmenes de datos marítimos y reaccionar ante patrones sospechosos. La capacidad de detectar anomalías sin supervisión reduce costes operativos y mejora la seguridad, un campo donde Q2BSTUDIO aporta su experiencia en software a medida y automatización de procesos.

En definitiva, MADQI representa un avance significativo para la evaluación de detectores de anomalías no supervisados en el sector naval. Su metodología sistemática permite a los desarrolladores confiar en sus modelos y ajustarlos de forma iterativa. Para las empresas que buscan implementar soluciones de vigilancia marítima o de cualquier dominio con datos espaciales, contar con un socio tecnológico como Q2BSTUDIO, capaz de integrar inteligencia artificial, cloud computing y business intelligence, marca la diferencia entre una alerta genérica y una decisión informada.