La monotonicidad es una propiedad deseable en muchos modelos de aprendizaje automático, especialmente cuando las relaciones entre variables de entrada y salida deben ser estrictamente crecientes o decrecientes. Tradicionalmente, las redes neuronales han abordado esta restricción mediante arquitecturas basadas en perceptrones multicapa (MLP) o flujos normalizantes, pero a costa de una transparencia funcional limitada. El reciente avance de las redes Kolmogorov-Arnold (KAN) ha abierto una nueva vía al permitir que cada conexión entre neuronas sea interpretable mediante funciones spline. Sin embargo, las variantes monotónicas existentes, como MonoKAN, solo aplicaban la restricción a un subconjunto de parámetros y requerían entrenamiento por proyección. Aquí surge MKAN, una red que garantiza monotonicidad estricta para todos los parámetros mediante una reparametrización exponencial de los coeficientes B-spline, pesos de arista positivos y una activación base monótona, todo ello entrenable con descenso de gradiente estándar sin restricciones.

El principal aporte teórico de este trabajo es un teorema de coste de representación: cualquier extractor de características de clase C^K que induzca una partición en vecindarios semánticos en forma de bola admite una realización monótona de la misma estructura vecinal con un tamaño de codificador no mayor a 2N^*, siendo N^* el número mínimo de características no monotónicas originales. Esta cota, independiente de la arquitectura, proporciona una regla de dimensionamiento para codificadores monotónicos. En la práctica, MKAN se muestra competitivo con los mejores modelos monotónicos en el benchmark SMM/ICML-2024, siendo el único método que combina monotonicidad dura sin restricciones con la transparencia funcional de KAN. Además, la predicción 2N^* se valida en cuatro conjuntos de datos reales mediante barridos auto-supervisados de tamaño de características, y en un conjunto generativo controlado MKAN recupera los factores latentes con una alineación Spearman significativamente superior a KAN, MLP y líneas base lineales.

Desde una perspectiva práctica, la capacidad de construir modelos interpretables y con garantías de monotonicidad tiene aplicaciones directas en dominios como la evaluación de créditos, la dosificación de fármacos o la fijación de precios en mercados regulados. En estos entornos, contar con aplicaciones a medida que incorporen inteligencia artificial robusta y transparente es clave para cumplir con normativas y generar confianza. La integración de MKAN en plataformas de software a medida permite a las empresas diseñar soluciones donde las decisiones sean auditables y consistentes con el conocimiento del dominio.

En Q2BSTUDIO, como empresa especializada en desarrollo de software y tecnología, ofrecemos servicios que van desde la implementación de modelos de inteligencia artificial hasta la ciberseguridad y el despliegue en entornos cloud. Por ejemplo, para empresas que necesitan garantizar que sus predictores respeten relaciones monotónicas, podemos desarrollar sistemas basados en MKAN y desplegarlos de forma escalable utilizando servicios cloud AWS y Azure. Además, combinamos estos avances con servicios inteligencia de negocio y herramientas como Power BI para visualizar y monitorizar el comportamiento de los modelos en producción.

La tendencia hacia la ia para empresas exige no solo precisión, sino también explicabilidad. MKAN representa un paso firme hacia ese objetivo, y su integración en agentes IA que toman decisiones en tiempo real es una línea de trabajo prometedora. En Q2BSTUDIO, ayudamos a las organizaciones a adoptar estas innovaciones mediante el desarrollo de aplicaciones a medida que incorporan técnicas de vanguardia, siempre con un enfoque práctico y orientado a resultados.