Este documento evalúa las capacidades de detección de fallas de los modelos modernos de aprendizaje profundo. Se destaca que un enfoque ingenuo de aprendizaje profundo optimizado para la precisión no es adecuado para aprender modelos de detección de fallas a partir de datos de series temporales. En consecuencia, las estrategias de aprendizaje profundo listas para usar pueden producir resultados de precisión impresionantes pero no están preparadas para aplicaciones del mundo real. El documento introduce una metodología para estimar los retrasos en la detección de fallas cuando no se dispone de información oráculo sobre el tiempo de ocurrencia de la falla. Además, el documento presenta un enfoque sencillo para lograr implícitamente el objetivo de minimizar los retrasos en la detección de fallas. Este enfoque implica el uso de una optimización profunda pseudo-multiobjetivo con ventanas de datos, lo que permite la utilización de métodos estándar de aprendizaje profundo para la detección de fallas y amplía su aplicabilidad. Sin embargo, introduce un hiperparámetro adicional que requiere una sintonización cuidadosa. El documento utiliza el conjunto de datos del Proceso Tennessee Eastman como estudio de caso para demostrar sus hallazgos. Los resultados destacan de manera efectiva las limitaciones de las funciones de pérdida estándar y enfatizan la importancia de incorporar retrasos en la detección de fallas en la evaluación e informe del rendimiento. En nuestro estudio, la optimización pseudo-multiobjetivo podría alcanzar una precisión en la detección de fallas del 95% en solo una quinta parte del tiempo que le lleva al mejor enfoque ingenuo hacerlo.