Te dice cuándo fiarte
Cuánto fiarte y el aviso de dato desconocido van en cada respuesta, no en un informe aparte. La incertidumbre va calibrada donde las matemáticas lo permiten, y se dice dónde no.
COGNIX · IA PREDICTIVA
Predicciones que te dicen cuándo fiarte de ellas.
Un modelo que se equivoca suena exactamente igual que cuando acierta. CogniX no.
PEDIR DEMO
v3 · Disponible para pilotos
EN POCAS PALABRAS
¿Qué es CogniX?
CogniX es un motor de IA predictiva que convierte tus datos en un servicio de predicción en producción: detecta anomalías, predice valores, clasifica, agrupa y decide. Cada respuesta llega con cuánto fiarte de ella, un aviso si el dato se sale de lo conocido y qué variables pesaron. Funciona en tu red o en el edge, sin telemetría.
EL PROBLEMA
¿Qué problema resuelve?
- Te enteras de las averías cuando ya han parado la línea.
- Mandas técnicos a revisar cosas que estaban bien.
- No sabes si ese valor es normal para ese equipo.
- Tus alertas se ignoran. Una alerta que no se puede comprobar acaba silenciada.
Una respuesta desnuda es una respuesta peligrosa: sin saber cuánto fiarte, no puedes actuar.
CÓMO FUNCIONA
¿Cómo funciona?
Dale tus datos
Un CSV o un Parquet. Para detectar anomalías basta con datos normales, sin etiquetar.
CogniX publica el servicio
Entrena y lo pone en producción sin que escribas código. Antes, comprueba que el servicio responde exactamente lo que se midió al entrenar.
Cada respuesta, en cuatro partes
La decisión, cuánto fiarte de ella, un aviso si el dato se sale de lo conocido y qué variables pesaron. Para lecturas sueltas, por lotes o en flujo continuo.
Cuando tus datos cambian, lo reentrenas y el modelo nuevo entra sin parar el servicio. Antes de promoverlo, lo comparas con el que está en producción.
CAPACIDADES
¿Qué sabe hacer?
| Capacidad | Para qué |
|---|---|
| Detección de anomalías (DesviantiX) | Lo raro, sin ejemplos etiquetados de averías o ataques. Distingue lo nuevo pero plausible de lo anómalo, y sigue a cada equipo por separado. |
| Regresión con intervalo (RegreX) | Un valor futuro y el margen en el que se moverá. |
| Clasificación calibrada (ClassiX) | A qué categoría pertenece algo, con probabilidades que significan lo que dicen. |
| Agrupamiento (ClusteriX) | Qué se parece a qué, para segmentar equipos, clientes o comportamientos. |
| Decisión que aprende (DecidiX) | Qué opción elegir, aprendiendo de lo que funcionó, y una opción segura cuando el dato no se parece a nada conocido. |
| Ritmo y silencios (RitmiX) | Qué equipo ha dejado de hablar o ha roto su ritmo. En desarrollo. |
DIFERENCIALES
¿Qué lo hace distinto?
Te dice qué pesó
Qué variables pesaron en cada respuesta: exacto donde el modelo lo permite y marcado como orientativo donde no. Ninguna explicación se vende como causa.
Lo medido es lo que responde
Cada entrenamiento deja anotadas sus respuestas esperadas, y el servicio en producción tiene que reproducirlas antes de publicarse.
Tus modelos son tuyos
En tu despliegue, cada modelo y su configuración se descargan en formatos estándar y legibles, como ONNX.
En tu infraestructura
El servicio de predicción funciona en tu red o en el edge, sin conexión y sin enviarnos nada. Corre incluso en una Raspberry Pi 5.
Rápido donde importa
Responde en milisegundos en el camino del dato, y tu asistente de IA lo consulta por MCP para explicarte qué ha pasado. Lo que hace la consola, también por línea de comandos y por MCP.
CASOS DE USO
¿Para qué se usa?
| Sector | Qué resuelve |
|---|---|
| Agua y gas | Fugas, consumos anómalos y fraude en la medición de contadores. |
| Energía | Comportamiento anómalo de instalaciones y valores previstos con su margen. |
| Industria | Desviaciones en el comportamiento de máquinas y procesos, con su porqué. |
| Redes y ciberseguridad | Latencias anómalas e intrusiones sin firmas previas. |
| Operaciones TI | Métricas que se desvían de lo normal, con el equipo y las variables que pesaron. |
PRUEBAS
¿Cómo lo medimos?
Medido en laboratorio
Reproducible con el comando incluido en cada prueba.
- Detección de intrusiones (dataset público NSL-KDD, sep-2026): entrenado solo con tráfico normal, sin una sola etiqueta, y con la misma tasa de falsos positivos (4 %), DesviantiX detecta el 84,0 % de los ataques; One-Class SVM, el 79,9 %, e Isolation Forest, el 72,6 %. Con un 1 % de falsos positivos, One-Class SVM queda por delante: 63,8 % frente a 58,2 %.
- Rendimiento (ago-2026, Ryzen 7 7800X3D, 8 núcleos): hasta 53.700 predicciones por segundo en detección de anomalías, con un p99 de 2,84 ms, en un modelo ligero; el más pesado de los medidos llega a 19.400 por segundo. En tu hardware lo volvemos a medir.
Lo que no prometemos
Acertar siempre. Si tus datos «normales» traen anomalías dentro, la detección cae: con un 20 % de contaminación, a algo más de un tercio. Lo medimos y te lo decimos, y te ayudamos a limpiar la base antes de entrenar.
DESPLIEGUE Y PRECIO
¿Dónde se despliega y cuánto cuesta?
- En tu red o en el edge, como producto independiente, en un servidor Linux x86 o ARM.
- Dentro de NovaeOps, donde pone el veredicto de IA en las lecturas. Ahí se paga por veredicto entregado.
- Precio: bajo acuerdo.
ESTADO
¿En qué estado está?
CogniX está en su versión 3 y disponible para pilotos. Buscamos uno o dos clientes de referencia para la detección de anomalías.
PREGUNTAS FRECUENTES
Lo que suelen preguntarnos sobre CogniX
¿Qué es la detección de anomalías sin etiquetas?
Aprender cómo es el comportamiento normal de tus equipos y avisar de lo que se sale de él, sin necesitar ejemplos de averías o ataques pasados, que casi nunca existen.
¿Necesito científicos de datos?
No para empezar. Un dominio se crea a partir de un CSV y CogniX entrena y publica el servicio. Si quieres ir más allá, te acompañamos.
¿Por qué no usar un modelo de lenguaje para esto?
Porque tarda segundos y cuesta CPU en cada lectura. CogniX responde en milisegundos en el camino del dato, y el modelo de lenguaje va encima, por MCP, para explicar.
¿Qué pasa si mis datos normales están sucios?
La detección empeora, y lo medimos. Te ayudamos a limpiar la base antes de entrenar.
¿Los modelos son míos?
En tu propio despliegue, sí: cada modelo y su configuración se descargan en formatos estándar y legibles, como ONNX. Dentro de NovaeOps, el modelo vive en la plataforma y lo que recibes son sus respuestas.
¿Funciona sin conexión?
Sí, en producción: el servicio de predicción corre en tu red o en el edge sin conexión y no nos envía telemetría. Para entrenar, la primera instalación descarga sus dependencias; si tu red está aislada, la preparamos contigo.
¿Qué necesita para funcionar?
Un servidor Linux, x86 o ARM (sirve una Raspberry Pi 5), y la librería ONNX Runtime. Python solo hace falta para entrenar. Hoy funciona en una sola instancia: si necesitas alta disponibilidad, lo vemos en el piloto.
PEDIR DEMO
¿Tienes datos y alertas que nadie mira?
Te enseñamos CogniX con un conjunto como el tuyo.
PEDIR DEMO