La tesis defendida por David Solís se enfoca en el desarrollo de herramientas y algoritmos orientados a facilitar la automatización de los procesos de I+D necesarios en mantenimiento predictivo con un enfoque de aplicación industrial.

Los trabajos realizados abordan técnicas enfocadas en modelos de Deep Learning para el tratamiento de series temporales de gran dimensión, la optimización de la búsqueda de modelos mediante optimización bayesiana, técnicas de expansión de datos (data augmentation) con series temporales y modelos de difusión, nuevas propuestas de aprendizaje con pocas muestras (few-shot learning) y técnicas de explicabilidad adaptadas específicamente al mantenimiento predictivo.