Cómo detectar desviaciones en los datos para mejorar las predicciones
MathWorks ofrece tecnología de aprendizaje automático para crear arquitecturas adaptables y remediar los problemas del mantenimiento predictivo.
El tratamiento que las empresas dan a sus datos puede determinar su éxito o su fracaso.
Uno de los grandes retos a los que se enfrentan los ingenieros y los científicos de datos en la actualidad es cómo ser capaces de detectar desviaciones en dichos datos y abordarlas para mejorar las predicciones y construir mejores productos.
En este sentido, la firma desarrolladora de software de cálculo computacional y del lenguaje MATLAB, MathWorks, ha compartido su visión durante la celebración de la Big Things Conference.
Peter Webb, Principal Technical Specialist de la compañía, y Gokhan Atinc, Senior Engineer, han explicado la propuesta de MathWorks para aportar un impacto positivo.
Bajo el título, precisamente, de “Cambio a mejor: Mejora de las predicciones mediante la automatización de la detección de desviaciones”, han mostrado cómo se degradan las baterías de los coches dependiendo de factores externos, aumentando el tiempo de carga y afectando a la autonomía final de los vehículos.
Ambos expertos usaron este ejemplo con vehículos eléctricos de reparto autónomo de paquetes, donde se necesitan buenas estimaciones de vida útil de unos elementos que resultan caros de reemplazar. Aunque la situación es aplicable a otros sectores.
MathWorks propone un enfoque que recoja información sobre la temperatura externa y tiempo de uso, entre otros datos, y aproveche el aprendizaje automático para predecir el tiempo restante que le queda a la batería.
A través de la clasificación automática de datos, además de la detección de desviaciones, se configura una arquitectura adaptable para afrontar los problemas de mantenimiento.
“Nuestra solución transmite los datos de cada batería a los subsistemas de producción y entrenamiento”, comenta Webb: “un modelo desplegado en el servidor de producción de MATLAB que predice la vida útil restante de cada batería y un modelo físico de Simulink de la batería, de precisión termodinámica, que etiqueta automáticamente los datos para su uso en el entrenamiento de nuevos modelos”.
“Es posible detectar desvíos gracias a nuestros simuladores y evitar distorsiones en los modelos, para así tomar mejores decisiones“, añade Atinc.
