Estás leyendo
MathWorks proporciona las claves para mejorar las predicciones

MathWorks proporciona las claves para mejorar las predicciones

  • La compañía ha participado por sexta vez consecutiva en Big Things Conference, explicando el papel que juega la calidad de los datos en la construcción de modelos.
MathWorks

Expertos y profesionales de todo el mundo en IA, Machine Learning, y Blockchain han vuelto a darse cita en Big Things Conference , uno de los eventos internacionales referentes en el sector. En su décima edición y bajo el lema  Tech Awakening , ha reunido virtualmente a miles de asistentes de todo el mundo interesados en conocer las últimas tendencias en estas tecnologías.

MathWorks ha participado por sexta vez consecutiva en este encuentro. Una cita que este año ha dado un paso más y no solo ha tratado de tecnología a nivel técnico, sino de su papel innovador y disruptor, buscando el impacto positivo de la tecnología hoy y desvelar “el despertar tecnológico para un futuro con esperanza”.

Dentro de este marco, los expertos de MathWorks, Peter Webb, Principal Technical Specialist de MathWorks y Gokhan Atinc, Senior Engineer han abordado uno de los principales retos de los data scientists e ingenieros actuales: cómo detectar y responder a las desviaciones de los datos para así mejorar las predicciones.

Se trata de un desafío importante para el científico de datos a la hora de construir sus modelos, en el que la tecnología de MathWorks juega un papel fundamental, logrando tener ese impacto positivo en el que han puesto el foco en esta edición de Big Things Conference.

Así, bajo el título Cambio a mejor: Mejora de las predicciones mediante la automatización de la detección de desviaciones y utilizando como ejemplo una flota de vehículos eléctricos de reparto autónomo de paquetes, han explicado cómo las baterías se degradan en mayor o menor medida por diferentes factores externos, aumentando así el tiempo de carga y disminuyendo la autonomía de los vehículos.

El hecho de que sean elementos caros de reemplazar motiva inevitablemente que, confiando en estimaciones de vida útil, unas baterías se reemplacen pronto y otras demasiado tarde. Para optimizar recursos y costes, es necesario un nuevo enfoque que recoja posibles desviaciones (temperatura externa, tiempo de uso, etc.) y utilice modelos de aprendizaje automático para predecir la vida útil restante de cada batería.

Ante esta situación, explica Webb, “nuestra solución transmite los datos de cada batería a los subsistemas de producción y entrenamiento: 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”.

Te puede interesar
Inteligencia Artifical en Movilidad

Con la clasificación automática de datos y la detección fiable de desviaciones, es posible crear una arquitectura adaptable que reduce la complejidad del desarrollo y la implantación de soluciones de aprendizaje automático para los problemas de mantenimiento predictivo.

Tal y como ha comentado Atinc, “en Big Things hemos querido mostrar a expertos en ML e IA cómo es posible detectar desvíos gracias a nuestros simuladores y evitar distorsiones en los modelos, para así tomar mejores decisiones. Lo hemos ilustrado con un ejemplo sencillo como es el de una flota de vehículos, pero es replicable en muchos sectores y sus beneficios son innumerables”.

 

Utilizamos cookies para facilitar la relación de los visitantes con nuestro contenido y para permitir elaborar estadísticas sobre las visitantes que recibimos. No se utilizan cookies con fines publicitarios ni se almacena información de tipo personal. Puede gestionar las cookies desde aquí.    Ver Política de cookies
Privacidad