IA para la fabricación textil y de confección: perspectiva del mercado, casos de uso y estrategia de ejecución

• Inspección de calidad (detección de defectos en tela, coincidencia de color, análisis de superficie)
• Mantenimiento predictivo (anticipación de fallas en máquinas)
• Optimización de la cadena de suministro / inventario y pronóstico de la demanda
• Personalización de productos y fabricación flexible (especialmente en moda y confección)
• Diseño/CAD generativo para patrones, gamas de color y adornos con verificaciones instantáneas de fabricabilidad

• Aumentar la precisión en la detección de defectos de tela del 60–70% en inspección manual al 90%+, reduciendo significativamente el desperdicio y el retrabajo.
• El mantenimiento predictivo reduce las fallas inesperadas en un 30–40% y el tiempo de inactividad no planificado en un 30–50%, además de disminuir los costos de mantenimiento en un 20–25%.
• La optimización de procesos reduce el consumo de energía y químicos en porcentajes de un solo dígito significativos (p. ej., 5–10%), mejorando los márgenes y los indicadores de sostenibilidad.
• El pronóstico de demanda + las recomendaciones de surtido reducen quiebres de stock y la sobreproducción, protegiendo el margen y el capital de trabajo.

• Visión por computadora con bibliotecas de defectos (telares, tejido de punto, estampado, tintura, acabado) y análisis espectral/de color para la consistencia de tonos.
• Detección de anomalías en series temporales y multivariada para mantenimiento predictivo, estado de husos y desviaciones de vibración/temperatura.
• Optimización y simulación (gemelos digitales) para ajustar recetas, equilibrar líneas y desplazar cargas de energía/vapor.
• Pronóstico de demanda + aprendizaje por refuerzo para asignación y reposición; sistemas de recomendación para surtidos y tallajes.
• Modelos generativos para ideación de patrones y calificación de fabricabilidad asistida por CAD; copilotos LLM para guías de SOP y traspasos entre turnos.
• Copilotos para planificadores que apoyan decisiones de asignación y comercialización, exponiendo restricciones, riesgos y niveles de confianza.

• Diseño de latencia/SLA: objetivos de QC en línea <120–250 ms; APIs para planificadores tolerantes a minutos; objetivos de disponibilidad del 99,0–99,5% con alertas para OT + IT.
• Calidad de datos: taxonomías estándar de defectos, SOPs de etiquetado con QA de doble revisión y re-etiquetado periódico para contrarrestar el drift.
• Patrón de despliegue shadow mode → HITL → asistido → autónomo, con rollback y fijación de versiones para modelos y recetas.
• Monitorización de precisión/recuperación, drift, latencia, tasas de anomalías y tasas de anulación por operadores; disparadores de reentrenamiento automatizado con trazabilidad de auditoría.
• Patrones de implementación: edge para baja latencia y residencia de datos, cloud para entrenamiento intensivo; conectividad segura vía VPC/privatelink y acceso basado en roles; minimización de PII y preparación para auditorías de compradores.

• Aceleradores de visión por computadora y mantenimiento predictivo de nivel textil con plantillas prediseñadas de defectos y anomalías para líneas de tejido, punto, tintura, acabado y estampado.
• Entrega de extremo a extremo: integración de sensores/PLC, ingeniería de datos, QA de etiquetado, desarrollo de modelos, MLOps, experiencia de usuario para operadores y gestión del cambio con manuales de despliegue multi-planta.
• Gobernanza primero: residencia de datos, controles de acceso, trazabilidad de auditoría y cumplimiento con normativas de datos de la UE/Reino Unido y auditorías de compradores; compatible con conectividad VPC/privatelink y despliegue en edge cuando los datos deben permanecer en sitio.
• MLOps y monitorización incorporadas: monitorización de drift/anomalías/latencia, despliegues canary + shadow mode, modelos versionados con rollback y alertas conscientes de SLA para disponibilidad y precisión/recuperación.
• Entrega segura y conforme: minimización de PII, acceso basado en roles, segregación de funciones y manuales de incidentes alineados con requisitos de OT + IT.
• Pilotos rápidos (8–12 semanas) que cuantifican ahorros y luego escalan con componentes reutilizables, capacitación para operadores/planificadores y transferencia de conocimiento a equipos internos.

• Según AHK (Cámara de Comercio Alemana en el Extranjero), el mercado textil mundial fue de unos 1,84 billones de dólares en 2023, con un crecimiento de ingresos del 7,4% previsto para 2024–2030.
• El mercado mundial de la confección ronda los 1,7 billones de dólares y se espera que alcance los 2,6 billones para 2025, aproximadamente el 2% del PIB mundial.
• Algunas investigaciones estiman textiles + confección en unos 2,6 billones de dólares en 2023 y por encima de 4 billones para 2033.
• Los textiles técnicos (automoción, médico, protección) muestran un crecimiento más rápido y mayor margen, lo que intensifica las inversiones en automatización e IA.

• Asia-Pacífico (China, India, Bangladés, Vietnam, etc.) mantiene la mayor cuota en producción y consumo; algunos informes citan un 40–45%.
• La Unión Europea es un mercado importante de importación de confección (191 mil millones EUR en 2022).
• Turquía se encuentra entre los principales exportadores a países como Alemania, conocida por su calidad media‑alta, entrega rápida y fabricación flexible.
• El nearshoring hacia Europa/MENA impulsa inversiones en fábricas digitales, modulares y habilitadas por IA para reducir los plazos de entrega.

• Presión de costes: los aumentos salariales y los costes energéticos comprimen los márgenes, acelerando la automatización y la inversión en IA.
• Presión de sostenibilidad: el sector contribuye aproximadamente al 5% de las emisiones globales de carbono; a 2024, alrededor del 65% de los productores adoptan prácticas centradas en la sostenibilidad.
• Volatilidad de la demanda: la moda rápida y la demanda incierta aumentan el riesgo de inventario y planificación; la IA para previsión y planificación está creciendo.
• Trazabilidad y cumplimiento: las regulaciones entrantes (Pasaporte Digital de Producto, divulgaciones ESG) aumentan la demanda de captura de datos y verificaciones de anomalías habilitadas por IA.

• Market.us: 2,4 mil millones USD en 2023 → 21,4 mil millones USD en 2033; CAGR 2024–2033 del 24,6%.
• Otro informe de consultoría: 2,64 mil millones USD en 2024 → 43,8 mil millones USD en 2034; CAGR de aproximadamente 32,4%.
• Towards Chemical & Materials: 4,12 mil millones USD en 2025 → 68,4 mil millones USD en 2035; CAGR del 32,45%.
• El crecimiento es más fuerte en visión por computador, mantenimiento predictivo, optimización energética y diseño generativo/copilotos CAD.

• Producción / planta: mantenimiento predictivo, inspección de calidad (tejido, hilo, recubrimiento, estampado), optimización de procesos (ajuste de parámetros, optimización de recetas, gestión energética).
• Cadena de suministro y planificación: previsión de demanda, optimización de inventario, análisis de riesgo de proveedores, aprovisionamiento dinámico.
• Producto y cliente: diseño de producto, previsión de tendencias, personalización y recomendaciones de tallaje, optimización de precios.
• Cuota por aplicación (alrededor de 2024): la inspección de calidad posee la mayor cuota con más del 30%; el mantenimiento predictivo está entre los segmentos de más rápido crecimiento; la cadena de suministro y la personalización aumentan rápidamente en importancia para las grandes marcas.
• La gobernanza de datos, MLOps y la inferencia en edge/near-line son ahora criterios clave de compra para superar auditorías de fábrica y requisitos de TI.

La inspección tradicional de tejidos depende de la visión humana. Es laboriosa, lenta y altamente sensible a la fatiga del operador.

Los sistemas de visión por computador y deep learning escanean superficies textiles con cámaras de alta resolución y detectan defectos de tejido y corte, puntadas omitidas, agujeros, líneas, manchas y desviaciones de color en tiempo real.

Los sistemas avanzados combinan RGB + imagen hiperespectral para control de tonos y edge AI para detección de baja latencia directamente en la línea.

Los modelos de segmentación (variantes de U-Net, Mask R-CNN) aíslan las zonas defectuosas para decisiones de recorte precisas; las comprobaciones espectrales/Delta-E supervisan la consistencia del tono en línea.

• La precisión de la inspección manual es de alrededor del 60–70%, lo que significa que se pasan por alto entre el 20–30% de los defectos.
• Los modelos bien entrenados alcanzan más del 90% de precisión en muchos tipos de defectos.
• Algunos sistemas en tiempo real detectan más de 40 tipos de defectos a 60 m/min de velocidad de línea con más del 90% de precisión.
• Estudios de 2024–2025 reportan un 80–95% de precisión incluso en patrones complejos.
• Las comprobaciones de consistencia de color y registro de impresión reducen reclamaciones por tono y retrabajos en cadenas de suministro de moda.
• Objetivos típicos de latencia de inferencia en línea: <120–250 ms por fotograma en el edge para mantener la velocidad de línea.
• Ejemplo de código (Python): `defects = yolo_model.predict(fabric_frames)`.

Las líneas de producción textil suelen operar 24/7; la mayor parte del tiempo de inactividad proviene de fallas imprevistas y mantenimiento inadecuado.

Se recopilan datos de sensores (vibración, temperatura, corriente, velocidad, tensión, etc.); el machine learning aprende los patrones normales y detecta desviaciones de forma temprana.

La combinación de detección de anomalías con datos contextuales (tipo de pedido, material, condiciones ambientales) reduce falsos positivos y prioriza las intervenciones correctas.

Los modelos se segmentan por clase de activo: marcos de hilado, telares, líneas de teñido, marcos tensor, stenters y máquinas de tejido, cada uno con firmas y modos de falla distintos.

• Aproximadamente un 40% de reducción en fallas inesperadas del equipo.
• Alrededor de un 25% de ahorro en costos de mantenimiento.
• 30–50% de reducción en tiempo de inactividad no planificado.
• Mejor planificación de repuestos gracias al tiempo estimado hasta la falla y conocimientos de MTBF.
• Intervalos de mantenimiento basados en condición ajustados según la criticidad y uso de cada máquina.

Procesos como el título del hilo, los patrones de tejido, los parámetros de tricotado, las recetas de teñido y los perfiles de temperatura‑tiempo de fijación incluyen muchas variables; encontrar combinaciones óptimas manualmente es difícil.

La IA analiza grandes volúmenes de datos de proceso para identificar combinaciones de parámetros que maximicen el rendimiento y la calidad, y las condiciones que incrementan el uso de energía o productos químicos.

Los gemelos digitales simulan virtualmente los cambios de recetas y parámetros antes de su implementación en la línea, reduciendo experimentos y desperdicios.

El aprendizaje por refuerzo o la optimización bayesiana pueden ajustar los setpoints dentro de límites de seguridad; las restricciones OT (seguridad, emisiones, integridad del lote de teñido) permanecen codificadas de forma rígida.

• Los modelos de gemelo digital permiten probar recetas y configuraciones en un entorno virtual, reduciendo el tiempo de prueba y error.
• Mayor velocidad de producción y menos paradas.
• Menor uso de energía, agua y productos químicos para la misma calidad.
• Las recomendaciones automáticas de setpoints reducen la variabilidad del operador en máquinas críticas.
• La optimización de dosificación química en línea reduce la variabilidad entre lotes.

En entornos de producción complejos, optimizar conjuntamente la cartera de pedidos, el parque de maquinaria y el plan de turnos es un reto.

La analítica avanzada evalúa prioridades y fechas de entrega para recomendar qué pedidos deben ejecutarse en qué líneas y en qué secuencia.

Los planificadores de IA consideran los tiempos de cambio, la compatibilidad de teñido/acabado y las habilidades del operador para minimizar tiempos muertos y horas extra.

Los pronósticos jerárquicos y de series temporales alimentan la asignación, mientras que el aprendizaje por refuerzo o los optimizadores MILP proponen calendarios bajo restricciones.

• Mayores tasas de entrega a tiempo.
• Menos horas extra y menos cargas urgentes.
• Mayor utilización de las líneas y menos cuellos de botella.
• Mejor fiabilidad de promesa‑a‑embarque para clientes de marca.
• S&OP más ajustado: vincular señales de demanda con decisiones de capacidad de tejido/tricotado/teñido.

El teñido y acabado, lavado, secado, vaporizado y fijación consumen cantidades significativas de energía y agua.

La gestión energética con IA analiza los datos de consumo para detectar anomalías y recomendar el balanceo de carga y ajustes óptimos de temperatura y duración.

La detección de anomalías en redes de vapor y aire comprimido evita fugas y captura ahorros inmediatos.

• Ahorros de energía del 5–10%.
• Reducciones significativas de la huella de carbono.
• Mejor cumplimiento de normativas como el EU Green Deal.
• Demanda de servicios públicos más predecible y reducción de cargos en picos.

Los modelos generativos aceleran la ideación de patrones, gamas de color y adornos; la IA integrada en CAD verifica la fabricabilidad, las limitaciones del tejido y los impactos de costo desde etapas tempranas.

La previsión de demanda junto con sistemas de recomendación guía qué estilos, colores y tallas comprar o producir por canal y región.

La optimización de marcadores y los algoritmos de anidado reducen el desperdicio de tela en las salas de corte, vinculados con CAD y PLM.

• Ciclos más cortos del diseño al estante y menos rondas de muestras.
• Mayor venta a precio completo mediante curvas de tallas y surtidos específicos por canal.
• Menor riesgo de sobreproducción y mejores rotaciones del capital de trabajo.
• Reducción de desperdicios mediante la optimización de marcadores y la planificación de corte.

Las marcas y los reguladores exigen cada vez más una visibilidad de extremo a extremo; la IA ayuda a conciliar datos de proveedores, logística y producción para detectar anomalías y riesgos.

La visión por computadora y las señales RFID/IoT se combinan para verificar etiquetas, materiales y pasos del proceso con miras a la preparación del pasaporte digital del producto.

Las señales de riesgo de proveedores (OTIF, fallas de calidad, alertas ESG) alimentan decisiones de asignación y doble abastecimiento; blockchain o eventos firmados respaldan la cadena de custodia cuando es necesario.

• Reducción de contracargos y penalizaciones de cumplimiento.
• Análisis más rápido de la causa raíz cuando surgen problemas de calidad en etapas posteriores.
• Planificación de escenarios ante interrupciones de proveedores y retrasos logísticos.
• Decisiones más precisas de SKU/surtido por canal con mejor disponibilidad y menor capital de trabajo.

La fijación dinámica de precios y la optimización de rebajas equilibran el margen y la rotación para estilos volátiles mientras protegen los corredores de precio de la marca.

Los copilotos de planificación resumen señales de oferta, cambios en la demanda y limitaciones de capacidad, recomendando asignaciones por canal/región/SKU con explicabilidad.

• +150–300 puntos básicos de aumento de margen en SKUs objetivo mediante una cadencia de rebajas optimizada (el rango varía según categoría y estacionalidad).
• Mejor planificación de liquidaciones con menor inventario residual.
• Decisiones de surtido informadas por curvas de tallas, devoluciones y señales de demanda localizadas.

• Mejora del 20–30% en la detección de defectos frente a la inspección manual.
• Algunos sistemas detectan más de 40 tipos de defectos con más del 90% de precisión.
• Reducciones significativas en quejas de clientes y devoluciones (varía según la empresa).
• El control de tono y estampado reduce el retrabajo y los segundos en la tintorería en porcentajes de dos dígitos bajos.
• Objetivos de latencia en línea: <120–250 ms para mantener el ritmo con líneas de 40–80 m/min.

• Reducción del 30–40% en fallos inesperados.
• Reducción del 20–25% en costes de mantenimiento.
• Reducción del 30–50% en paradas no planificadas (hasta 48% en algunos casos).
• Menos horas extra e intervenciones de fin de semana gracias a ventanas de mantenimiento más estables.
• La visibilidad del MTBF mejora la planificación de repuestos y las negociaciones con proveedores.

• Reducción del 5–10% en consumo de energía por unidad.
• Mejora del 3–5% en tasas de desperdicio y retrabajo, con impacto multimillonario a escala.
• Menor uso de químicos y agua en teñido/acabado sin pérdida de calidad.
• Aumento del 1–3% en el rendimiento de recetas críticas mediante la optimización de setpoints.

• Mejora del 10–20% en el error de previsión de demanda (ejemplos a nivel industrial).
• Mayor rotación de inventario y niveles de servicio.
• Mejor precisión de compromiso con clientes de marca, reduciendo penalizaciones.
• +3–8 puntos en entregas a tiempo cuando la programación está asistida por IA.

• Menos rondas de muestreo y un diseño final más rápido reducen semanas del calendario.
• Mayor venta a precio completo gracias a curvas de tallas y decisiones de surtido basadas en datos.
• Menor sobreproducción reduce amortizaciones y mejora la conversión de caja.
• Mejora de margen de 1–3 puntos mediante optimización inteligente de rebajas/precios en SKUs seleccionados.

• Madurez digital y brechas de datos: los datos de máquina a menudo no se recopilan o no están estandarizados.
• Coste de inversión e incertidumbre del ROI: especialmente para pymes, la inversión inicial parece alta y los beneficios son difíciles de cuantificar.
• Escasez de talento cualificado: las habilidades combinadas de OT, IT y ciencia de datos son limitadas.
• Gestión del cambio: preocupación entre operadores y mandos medios por la pérdida de empleo.
• Gobernanza y seguridad de datos: las redes de planta, PLCs y sistemas de visión deben cumplir con IT/infosec y auditorías de compradores.
• Calidad del etiquetado: taxonomías de defectos inconsistentes y desviaciones en SOP reducen la precisión/recuperación del modelo.

• Elección incorrecta de modelo o algoritmo → altas tasas de falsos positivos/falsos negativos.
• Negligencia del modelo → la precisión se degrada a medida que cambian los procesos.
• Dependencia excesiva de proveedores (soluciones de caja negra).
• Falta de MLOps y monitoreo → la deriva pasa desapercibida, erosionando el ROI.
• Ignorar restricciones de edge/latencia → los sistemas de inspección pueden no seguir el ritmo de la línea.
• Bucles HITL/QA insuficientes → ruido en etiquetas sin detectar y recuperación lenta del modelo.

• Seleccionar las líneas y máquinas de mayor impacto (p. ej., hilatura/tejido/punto + teñido/acabado).
• Planificar inversiones en sensores y recolección de datos (integraciones PLC, sensores de vibración/temperatura, medidores de energía).
• Centralizar los datos en una plataforma única (data lake o base de series temporales + paneles).
• Implementar gobernanza de datos: controles de acceso, políticas de retención, estándares de etiquetado y registros de auditoría alineados con los requisitos del comprador.
• Definir taxonomías de defectos, SOPs de etiquetado y planes de muestreo de QA para datasets de CV; establecer expectativas de latencia/SLA con OT.

• PoC de detección de defectos en tejido: desplegar inspección basada en cámara en una línea seleccionada y cuantificar defectos no detectados y ahorros frente a la inspección manual.
• Piloto de mantenimiento predictivo: recopilar datos de sensores en algunas máquinas críticas y construir un modelo de alerta temprana; prevenir 1–2 fallos críticos para demostrar el ROI.
• Trabajar con proveedores externos, pero asignar al menos un responsable interno de negocio y un líder de datos/automatización.
• Establecer fundamentos de MLOps: versionado, CI/CD para modelos, paneles para precisión/recall y enrutamiento de alertas hacia los equipos de mantenimiento/calidad.
• Ejecutar modo sombra + revisión HITL para alertas de QC y mantenimiento antes del auto-stop; acordar SLA/latencia para inspección en línea (<250 ms).

• Desplegar la inspección de calidad automatizada en más líneas y tipos de tejido.
• Ampliar el mantenimiento predictivo a todo el parque de máquinas críticas.
• Desarrollar modelos analíticos adicionales para energía y optimización de procesos.
• Mejorar la planificación y programación del ERP/MES con una capa de AI.
• Integrarse con sistemas de trazabilidad y requisitos de pasaporte digital del producto; exponer métricas en portales de clientes.
• Implementar monitorización continua de drift, latencia y disponibilidad; añadir rollback/versionado y blue‑green o canary para lanzamientos de modelos.
• Formación de operarios y gestión del cambio para pasar de modos asistidos a autónomos con actualizaciones claras de SOP.

• AHK – Cámara de Comercio Alemana-Egipcia | Informe sectorial de la industria textil y de la confección (textil y moda global/regional, importaciones de la UE)https://aegypten.ahk.de/en/content/download/80073/1100475?version=3
• Custom Market Insights | Mercado global de textil y confección 2024–2033https://www.custommarketinsights.com/report/textile-and-apparel-market/
• Grand View Research | Tamaño, cuota y tendencias del mercado textil | Informe de la industria, 2033https://www.grandviewresearch.com/industry-analysis/textile-market
• Spherical Insights | Tamaño, cuota, tendencias y análisis del mercado textil y de la confecciónhttps://www.sphericalinsights.com/our-insights/textile-and-apparel-market
• Nivesh Mitra (Gobierno de UP, India) | Comercio global de textiles y confección (valor de exportación)https://niveshmitra.up.nic.in/Textiles.aspx
• Rawalwasia (blog del sector) | Revolucionando las innovaciones textiles en la industria modernahttps://rawalwasia.in/textile-innovations-the-modern-textile-industry-2024/

• Market.us | Tamaño, cuota y tendencias del mercado de IA en textiles | CAGR del 24,6%https://market.us/report/ai-in-textile-market/
• Towards Chemical & Materials | El mercado de IA en textiles alcanzará USD 68,44 mil millones para 2035https://www.towardschemandmaterials.com/insights/artificial-intelligence-in-textile-market
• Yahoo Finance | El mercado de IA en textiles alcanzará los USD 68,44 mil millones para 2035https://finance.yahoo.com/news/ai-textile-market-size-worth-081800362.html
• Market Techie | Mercado de IA en textiles 2025–2034: crecimiento, tendencias y lídereshttps://www.markettechie.com/ai-in-textile-market/
• Cervicorn Consulting | Mercado de inteligencia artificial en textiles – análisis segmentado del mercadohttps://www.cervicornconsulting.com/artificial-intelligence-in-textile-market

• Wiley / Hindawi | Detección de defectos en tejidos mediante visión por computador (2020)https://onlinelibrary.wiley.com/doi/10.1155/2020/8189403
• Wiley / Hindawi | Detección de defectos en la fabricación textil: un análisis del estado del arte (2021)https://onlinelibrary.wiley.com/doi/10.1155/2021/9948808
• Nature Scientific Reports | Detección en tiempo real de defectos en tejidos basada en un algoritmo Elo mejorado (2025)https://www.nature.com/articles/s41598-025-17747-y
• SAGE Journals | Detección de defectos en tejidos mediante IA y aprendizaje automático para una fabricación ajustada y automatizada de paneles acústicos (2024)https://journals.sagepub.com/doi/10.1177/09544054231209782
• Advantech (caso práctico) | Inspección de defectos con IA para textil (2019)https://www.advantech.com/en/resources/case-study/ai-defect-inspection-for-textile
• Robro Systems (textiles técnicos) | Cómo la IA está transformando el control de calidad en la industria de textiles técnicos (2025)https://www.robrosystems.com/blogs/post/how-ai-is-reshaping-the-technical-textile-industry-s-quality-control
• Indian Textile Magazine | Es el momento de que la visión por computador con IA detecte defectos en tejidos (2025)https://www.indiantextilemagazine.in/it-is-time-for-ai-computer-vision-to-detect-fabric-defects/
• EasyODM (blog de manufactura) | IA en la fabricación textil: mejora del control de calidad (2024)https://easyodm.tech/ai-in-textile-manufacturing/

• WarpDriven.ai | Mantenimiento predictivo con IA en textiles 2025https://warpdriven.ai/en/blog/industry-1/ai-predictive-maintenance-textile-machinery-guide-178
• Global Textile Times | Mantenimiento predictivo para maquinaria textil mediante IoT (2025)https://www.globaltextiletimes.com/uncategorized/predictive-maintenance-for-textile-machinery-using-iot/
• Ultralytics | El futuro de la producción textil con manufactura impulsada por IA (2026)https://www.ultralytics.com/blog/the-future-of-textile-production-with-ai-driven-manufacturing
• Technical Textiles Innovation / ITMF | IA en la industria textil (edición 2024) – PDFhttps://www.itmf.org/images/dl/articles/2024/Technical-Textiles-Innovation-October-December-2024-Issue.pdf
• ITMF – International Textile Manufacturers Federation | IA en la industria textil (PDF técnico)https://www.itmf.org/images/dl/articles/2024/AI-in-the-Textile-Industry_Technical-Textiles-Innovations.pdf
• IJRASET (académico) | Aplicación de la IA para modelos de negocio futuros en el sector textil y… (2025)https://www.ijraset.com/research-paper/applying-ai-for-future-business-models-in-the-textile
• TTP / iVGPU (académico) | Mantenimiento predictivo integrado con IA (PDF)https://ttp.ivgpu.com/wp-content/uploads/2025/12/419_51.pdf
• ITMF Conference 2024 | Sesiones de IA y textil digitalhttps://www.itmf.org/conferences/previous-conferences/itmf-conference-2024