De las alertas a las respuestas: Cómo Avahi aportó inteligencia de causa raíz impulsada por GenAI a la plataforma de edificios IoT de Attune

Avahi entregó un sistema de interpretación de anomalías IoT impulsado por GenAI construido sobre Amazon Bedrock, integrando Claude Sonnet 4 de Anthropic directamente en el flujo de datos de los sensores de Attune. La solución se desarrolló a través de un compromiso estructurado, comenzando con una Evaluación de Descubrimiento y avanzando a través de tres fases de ejecución, asegurando que cada decisión arquitectónica fuera validada con datos reales y necesidades operativas reales antes del despliegue.

La arquitectura técnica comienza con la ingesta y el preprocesamiento de siete tipos de sensores: temperatura, humedad, TVOC, CO₂, PM1, PM2,5 y PM10. Las comprobaciones basadas en reglas marcan primero las posibles anomalías y, a continuación, un prompt estructurado específico del dominio —construido en torno al marco de HVAC e IAQ con un esquema de salida JSON estricto— envía el contexto del sensor a Claude Sonnet 4 en Amazon Bedrock. El LLM devuelve un paquete de diagnóstico completo: una explicación de la causa raíz en lenguaje natural, de dos a cuatro causas clasificadas con su justificación, acciones recomendadas específicas, una puntuación de confianza entre 0 y 1 y un resumen operativo conciso de ≤30 palabras formateado para la integración directa con el sistema de tickets.

La innovación arquitectónica más significativa se produjo a través de un cambio de rumbo a mitad del proyecto, de la Fase 1 a la Fase 2. En la Fase 1, el LLM se utilizó para mejorar los resultados de las Action Cards existentes basadas en reglas, un enfoque que los responsables del cliente consideraron demasiado cercano al sistema original. En la Fase 2, Avahi rediseñó la solución para que las reglas operativas se inyectaran directamente en el prompt del LLM, permitiendo que Claude razonara de extremo a extremo a partir del contexto bruto del sensor en lugar de limitarse a elaborar sobre resultados predeterminados. Este enfoque de «reglas como prompts» eliminó una capa de middleware, aseguró que el razonamiento de la IA fuera coherente con la lógica de negocio y produjo resultados de diagnóstico genuinamente diferenciados en los que los operadores podían confiar y sobre los que podían actuar. La confianza media del modelo en las anomalías evaluadas alcanzó el 0,85.

Se aplicó el prompting de cadena de pensamiento (CoT) en todo momento para respaldar un razonamiento transparente y trazable, un aspecto crítico en entornos regulados donde los operadores necesitan entender por qué la IA llegó a una conclusión antes de actuar. Un diseño con intervención humana garantiza que las intervenciones de alto riesgo, como los cortes de HVAC y las anulaciones del sistema de agua, requieran la confirmación del operador, manteniendo la responsabilidad en el equipo de la instalación y reduciendo al mismo tiempo la carga cognitiva del triaje rutinario. Las alertas de baja confianza se marcan automáticamente para su revisión humana.

Los resultados se visualizan a través de un panel de React alojado en AWS EC2, que muestra las puntuaciones de confianza, los resultados del diagnóstico y un flujo de acciones del usuario que permite a los operadores registrar respuestas, creando un bucle de retroalimentación que servirá para el futuro perfeccionamiento del modelo. Los datos de los sensores se almacenan en AWS S3 y Amazon RDS, y todo el acceso se rige a través de AWS IAM con permisos basados en roles limitados a la cuenta de Attune. La solución completa, incluidas las bibliotecas de prompts y la documentación técnica, se entregó a través de GitHub al finalizar el proyecto.