El monitoreo de procesos en tiempo real en relación con la fabricación de acero es un desafío debido a las diversas interacciones físicas y químicas de los parámetros del proceso y eventos fortuitos. La complejidad de comprender estos eventos limita el uso de herramientas de monitoreo convencionales. En los últimos tiempos, la creciente demanda mundial de acero limpio creó la necesidad de descubrir métodos novedosos para el seguimiento y control de procesos predictivos. Usando la inteligencia artificial aplicada, se pueden desarrollar modelos dinámicos y basados en datos para ayudar a lograr un procesamiento robusto al reducir los errores de producción. Dado la ventaja de la detección rápida de anomalías en la fabricación de acero, la demanda del uso de modelos basados en datos es alta. Una de las aplicaciones del uso de modelos de procesos basados en datos es la predicción temprana del fenómeno de obstrucción asociado con la colada continua de aceros. La obstrucción de la boquilla de entrada sumergida (SEN) durante la colada continua de acero es un importante evento estocástico que debe ser monitoreado cuidadosamente desde la perspectiva de la colabilidad. Otra aplicación importante es la optimización online de las adiciones de material durante el refinado en cuchara. Dado que cada grado de acero es único, desarrollar un modelo de aprendizaje automático (ML) distintamente entrenado parece ser un desafío para su implementación en servidores de producción existentes. Se recopilaron datos industriales de plantas siderúrgicas para diseñar y validar las reglas establecidas del modelo. Los datos recopilados se examinaron para optimizar los parámetros del modelo al monitorear continuamente la evaluación de inclusiones no metálicas en diversas etapas de la fabricación de acero. Se analizaron las diferencias entre la colabilidad predicha y la real para validar y verificar los modelos recién desarrollados. Se realizaron esfuerzos especiales para que los modelos sean autoadaptativos en caso de cambios en los datos a fin de evitar la degradación en el rendimiento del modelo. Tales resultados predictivos del modelo, junto con cálculos termodinámicos efectivos, pueden utilizarse como sistema de apoyo a la toma de decisiones para el monitoreo efectivo del proceso.