La transformación digital de los procesos industriales ha abierto una nueva etapa en la manera de comprender, controlar y optimizar los sistemas productivos. La incorporación de inteligencia artificial, aprendizaje automático y modelos predictivos permite superar progresivamente esquemas de control basados exclusivamente en mecanismos convencionales, haciendo posible que los datos generados durante la producción se conviertan en una fuente de conocimiento para anticipar desviaciones, reducir la variabilidad y mejorar la calidad. Esta evolución adquiere especial relevancia en industrias altamente reguladas, como la farmacéutica, donde pequeñas variaciones pueden repercutir directamente en las características del producto final. En este escenario se sitúa el presente libro, que aborda la aplicación de redes neuronales artificiales a uno de los problemas particularmente sensibles de la producción farmacéutica: la precisión del peso durante el envasado de polvos galénicos. La naturaleza física de estos productos, las condiciones del proceso y el funcionamiento de los sistemas de dosificación introducen múltiples factores de variabilidad. Por ello, alcanzar un peso uniforme no constituye únicamente una cuestión de eficiencia productiva, sino también un componente relacionado con la calidad, el cumplimiento de las especificaciones y la confiabilidad del producto farmacéutico. La obra parte de la convergencia entre dos campos que tradicionalmente han seguido trayectorias diferentes. Por un lado, se encuentra el desarrollo de las redes neuronales artificiales y de los modelos de aprendizaje capaces de identificar relaciones complejas a partir de grandes conjuntos de datos. Por otro, se encuentra la ingeniería de los procesos de dosificación y envasado, donde variables mecánicas, eléctricas, ambientales y operativas interactúan continuamente. La integración de ambas perspectivas permite plantear una cuestión de gran interés científico y tecnológico: hasta qué punto un sistema puede aprender del comportamiento histórico de un proceso industrial y utilizar ese conocimiento para mejorar su desempeño futuro. A lo largo de sus capítulos se construye progresivamente la respuesta a esta interrogante. Primero se examinan los fundamentos de las redes neuronales artificiales, el aprendizaje automático y los modelos predictivos, prestando especial atención a las arquitecturas recurrentes y a las redes LSTM, cuya capacidad para procesar información secuencial las convierte en alternativas especialmente interesantes para sistemas dinámicos. Posteriormente, el análisis se traslada hacia los polvos galénicos, los sistemas de dosificación, la precisión del peso, la variabilidad y la capacidad de los procesos productivos. El desarrollo de la obra sigue una secuencia deliberadamente progresiva. Primero se explica cómo una red neuronal transforma las variables de entrada en una salida y de qué manera se comprueba su aprendizaje. Después se examina el proceso físico de dosificación, considerando las propiedades del polvo, el tornillo sinfín, la instrumentación, la variabilidad y el control estadístico. Finalmente, ambos campos convergen en el caso de estudio, donde los registros reales se convierten en datos de entrenamiento y se comparan seis arquitecturas. Este recorrido permite avanzar de los conceptos hacia su aplicación sin presuponer que el lector domina previamente la inteligencia artificial o el control de calidad. La articulación de estos fundamentos encuentra su expresión práctica en el caso de estudio presentado en la parte aplicada de la obra. A partir de datos obtenidos durante el envasado de bicarbonato de sodio en presentación de 50 gramos, se analiza el comportamiento del proceso, se identifican sus principales variables operativas y se evalúan diferentes arquitecturas de redes neuronales. Este recorrido permite pasar de la observación de un proceso industrial real a la construcción y evaluación de una alternativa predictiva orientada a mejorar su precisión. Uno de los aportes más interesantes del trabajo reside precisamente en esta transición entre el dato y la decisión. Los registros históricos dejan de concebirse únicamente como evidencia de lo que ocurrió durante la producción y pasan a constituirse en insumos para aprender patrones, realizar predicciones y anticipar comportamientos. Bajo esta perspectiva, la inteligencia artificial no reemplaza los principios tradicionales del control de calidad ni de la ingeniería de procesos; los complementa mediante nuevas capacidades analíticas. Los resultados obtenidos permiten además reflexionar sobre las posibilidades que ofrecen las redes neuronales recurrentes para procesos industriales caracterizados por información secuencial y variabilidad operacional. La comparación entre diferentes modelos y la posterior selección de una arquitectura RNN-LSTM muestran que la elección de una herramienta de inteligencia artificial debe responder a las características particulares del fenómeno estudiado y no únicamente a la disponibilidad de tecnologías cada vez más sofisticadas. Conviene precisar desde el inicio que RNN, LSTM y RNN-LSTM no son expresiones equivalentes. Una RNN simple conserva un estado oculto que resume parte de la información previa; una LSTM es una unidad recurrente especializada que administra la memoria mediante compuertas; y una RNN-LSTM es una red recurrente cuya memoria se implementa mediante celdas o capas LSTM. La tesis compara RNN y LSTM como alternativas y, posteriormente, describe una arquitectura seleccionada con capas LSTM, por lo que...