La previsión precisa de la inflación es crucial para una política monetaria efectiva, particularmente durante los puntos de inflexión que exigen un reajuste de la política. Este estudio examina la eficacia de dedicar conjuntos de modelos de redes neuronales recurrentes superficiales a diferentes horizontes de previsión para predecir los puntos de inflexión de la inflación en EE. UU. de manera más precisa que los métodos tradicionales, incluida la Encuesta de Pronosticadores Profesionales (SPF). Utilizamos datos mensuales desde enero de 1970 hasta mayo de 2024, entrenando estos modelos de conjunto con información hasta diciembre de 2022 y probando en observaciones fuera de muestra desde enero de 2023 hasta mayo de 2024. Los modelos generan pronósticos a horizontes de hasta 16 meses (un conjunto por horizonte), teniendo en cuenta tanto las dinámicas a corto como a medio plazo. Los resultados indican que tales conjuntos de redes neuronales recurrentes superan consistentemente a los enfoques convencionales utilizando métricas clave de rendimiento, destacando la detección de puntos de inflexión de la inflación más temprano y proyectando un regreso a los niveles objetivo para mayo de 2024, varios meses antes de la previsión promedio de la Encuesta de Pronosticadores Profesionales. Estos hallazgos subrayan el valor de tales conjuntos para capturar relaciones no lineales complejas dentro de los datos macroeconómicos, ofreciendo una alternativa más robusta a los métodos econométricos estándar. Al proporcionar pronósticos oportunos y precisos, los conjuntos dedicados de redes neuronales recurrentes superficiales tienen un gran potencial para informar medidas de política proactivas y guiar decisiones en condiciones económicas inciertas.