/
Recuperación de anomalías en postes, muy por encima del 80 % de aceptación
Pronósticos de inclinación más precisos que la línea de base estacional
De pronóstico de riesgo para cada poste, actualizado diariamente y durante alertas de tormenta
N-Smart Inc.
Reston, Virginia
Monitoreo de infraestructura para empresas de servicios públicos y municipios
Amazon SageMaker, Amazon Bedrock (Anthropic Claude Haiku 4.5), AWS Lambda, Amazon API Gateway, Amazon DynamoDB, Amazon S3, Amazon CloudFront, Amazon Simple Notification Service, Amazon EventBridge, Amazon Elastic Container Registry
N-Smart Inc. ofrece soluciones de monitoreo de infraestructura para empresas de servicios públicos y municipios. Su sistema de monitoreo de postes integra la telemetría de sensores con datos ambientales y meteorológicos para rastrear la inclinación, la vibración y las condiciones circundantes en una flota de postes de servicios públicos. Para prevenir fallas estructurales, interrupciones del servicio e ignición de incendios forestales, N-Smart contrató a Avahi para construir una solución de análisis y GenAI nativa de AWS que califica cada poste por riesgo estructural y de incendio en tiempo real, proyecta ese riesgo para la próxima semana y explica los resultados en un lenguaje sencillo para el equipo de operaciones. La solución se ejecuta completamente dentro de la cuenta de AWS de N-Smart y ahora alimenta su flujo de trabajo de operaciones con puntuaciones de riesgo actualizadas continuamente, pronósticos a futuro y recomendaciones priorizadas.
N-Smart Inc., con sede en Reston, Virginia, ofrece monitoreo de infraestructura conectada para operadores de servicios públicos y clientes municipales. La plataforma de la empresa agrega datos de sensores especialmente diseñados implementados en activos físicos en el campo, combina esa telemetría con el contexto ambiental y traduce la señal conjunta en inteligencia operativa que ayuda a las empresas de servicios públicos a prevenir fallas de equipos, interrupciones del servicio e incidentes de seguridad pública. La plataforma existente de N-Smart incluye una tubería de telemetría en tiempo real que ingiere lecturas de sensores de dispositivos especialmente diseñados conectados a postes y almacena los datos en un lago de datos particionado en AWS.
Los operadores de servicios públicos se enfrentan a dos riesgos operativos que están aumentando en frecuencia y gravedad: la ignición de incendios forestales originada en equipos viejos o dañados, y las interrupciones causadas por tormentas que pueden afectar a miles de clientes a la vez. Ambos son difíciles de prevenir porque dependen del comportamiento conjunto de muchas variables a la vez: la condición física del poste, la intensidad del clima local, la humedad del suelo, la densidad de la vegetación circundante y el historial de impacto acumulado del activo. Leer cada variable de forma aislada omite las interacciones que realmente causan las fallas.
N-Smart tenía los datos brutos. Su tubería de telemetría existente captura las lecturas de los sensores en cada enlace ascendente, y las lecturas llegan a un lago de datos particionado listo para el análisis. Lo que N-Smart necesitaba era la capa de análisis y razonamiento que convierte esas lecturas en puntuaciones de riesgo sobre las que un equipo de operaciones puede actuar: una puntuación para cada poste hoy, una proyección a futuro para la próxima semana y una explicación en lenguaje sencillo que el operador de guardia pueda leer a las tres de la mañana para decidir si enviar una cuadrilla de campo.
Sin esta capa, los equipos de operaciones de N-Smart seguirían trabajando de forma reactiva, respondiendo a las fallas después de que ocurrieran en lugar de intervenir antes. Para una empresa de servicios públicos que opera miles de postes en un territorio de servicio, esa brecha se traduce directamente en interrupciones de servicio evitables, mayor exposición al seguro por responsabilidad de incendios forestales y una respuesta más lenta a los eventos de tormenta que de otro modo podrían haberse preparado. N-Smart quería una solución que permitiera a sus clientes pasar del mantenimiento reactivo a la gestión predictiva de riesgos, y la querían entregada como infraestructura de AWS de grado de producción que su equipo interno pudiera poseer y ampliar.
La tubería de telemetría existente de N-Smart ya estaba implementada en AWS, con ingesta en tiempo real, un lago de datos particionado y gestión de identidad y acceso en su lugar. Construir la capa de análisis y razonamiento en la misma plataforma mantuvo la solución cerca de los datos, evitó los costos de egreso entre nubes y permitió a N-Smart aplicar las mismas herramientas operativas que ya utilizan para el cumplimiento, el monitoreo y la gobernanza de costos.
AWS también ofreció los servicios gestionados específicos que la solución requería, cada uno de ellos listo para producción y cubierto por el soporte empresarial de AWS: Amazon SageMaker para la detección de anomalías y la previsión de series temporales, Amazon Bedrock para el acceso a modelos de lenguaje grandes y una pila sin servidor madura para la API, las alertas y la entrega de paneles. Anclar el nuevo trabajo en la plataforma de AWS significó que N-Smart podría escalar desde la flota inicial a su base de clientes más amplia sin una migración de plataforma.
N-Smart seleccionó a Avahi basándose en la exitosa entrega de un compromiso anterior que construyó su tubería de telemetría existente en AWS. El historial de Avahi como socio de AWS de primer nivel y su concentración de experiencia en GenAI, SageMaker e ingeniería de datos de producción le dieron a N-Smart la confianza de que el mismo equipo podría llevar la plataforma desde la ingesta de datos brutos hasta la inteligencia de riesgo operativa en un solo compromiso continuo.
El enfoque de Avahi también coincidió con lo que N-Smart necesitaba como proveedor de monitoreo de infraestructura. Cada puntuación en la solución final se remonta a un elemento de línea contractual específico o a una sección de la especificación de requisitos del propio cliente, por lo que el equipo de operaciones puede explicar a sus propios clientes exactamente por qué se activó una alerta. El equipo de ingeniería de Avahi trabajó en estrecha colaboración con N-Smart con una cadencia semanal durante el compromiso, y cada iteración de las fórmulas y umbrales de puntuación se estableció en función de las reglas operativas que los dos equipos acordaron juntos.
Avahi y N-Smart construyeron una tubería de análisis y explicabilidad nativa de AWS que se ejecuta completamente dentro de la cuenta de AWS de N-Smart. La tubería está organizada en tres capas: un motor de puntuación en tiempo real que se ejecuta en cada enlace ascendente del sensor, un motor de pronóstico diario que proyecta los próximos siete días de riesgo por poste y una API de lectura que sirve un panel de operador.
La capa de puntuación en tiempo real se ejecuta en AWS Lambda. En cada enlace ascendente de un poste, la función de enriquecimiento lee la lectura del sensor del lago de datos de telemetría en Amazon S3, la une con datos ambientales externos (clima del Servicio Meteorológico Nacional y Open-Meteo, humedad del suelo de NASA SMAP y densidad de vegetación de NASA MODIS), calcula un conjunto de señales derivadas y escribe una fila enriquecida que lleva cada puntuación posterior. Dos detectores basados en reglas se activan contra la fila enriquecida: una alerta de inclinación con atribución de causa (viento, impacto, falla del suelo o desconocido) y un detector de anomalías de eventos de movimiento que compara cada poste con su propia línea de base de treinta días. En paralelo, un modelo Random Cut Forest de Amazon SageMaker analiza el comportamiento conjunto de seis características de los sensores y marca anomalías multivariadas que ninguna regla individual detectaría. Tres puntuaciones compuestas se basan en la misma fila: un Índice de Riesgo de Ignición construido a partir de seis entradas normalizadas utilizando el marco del Sistema Nacional de Clasificación de Peligros de Incendios, una Puntuación de Salud del Poste que combina el estrés estructural y la carga del equipo, y una Puntuación de Vulnerabilidad Regional al Fuego que acumula el riesgo por poste en una vista diaria regional.
La capa de pronóstico se ejecuta una vez al día por poste a través de una función Lambda programada activada por Amazon EventBridge. Lee los treinta días anteriores de historial enriquecido y puntúa tres métricas de pronóstico (ángulo de inclinación, magnitud de aceleración y temperatura) a través de un modelo DeepAR de Amazon SageMaker. Se eligió DeepAR porque aprende una única incrustación compartida en cada poste de la flota, lo que significa que un modelo entrenado sirve a cada dispositivo y los postes nuevos se unen a la incrustación automáticamente a través del reentrenamiento semanal. La función Lambda proyecta cada métrica ciento sesenta y ocho horas como bandas de confianza p10, p50 y p90, deriva números de riesgo operativo de las bandas (la probabilidad de que la inclinación cruce el umbral de inclinación sostenida a las veinticuatro, cuarenta y ocho y setenta y dos horas; una proyección del Índice de Riesgo de Ignición durante la semana; y una probabilidad compuesta de interrupción por tormenta), y almacena en caché el resultado en Amazon DynamoDB para que el panel lo lea. Cuando cualquier riesgo operativo cruza un umbral configurable, la función Lambda publica una alerta a través de Amazon Simple Notification Service para que el operador de guardia reciba la notificación por correo electrónico sin necesidad de monitorear el panel.
La capa de explicación se ejecuta en Amazon Bedrock. Cuando el operador abre una página de poste en el panel, la API llama a Bedrock con la última lectura del poste, las bandas de pronóstico almacenadas en caché, las puntuaciones actuales y el contexto regional. El modelo devuelve un párrafo corto en lenguaje sencillo más una lista priorizada de acciones imperativas que el operador de guardia puede tomar en las próximas horas. La capa de explicación admite cinco patrones de consulta distintos ajustados a los dos casos de uso principales, ignición de incendios forestales e interrupción por tormenta, y aplica un contrato de respuesta estructurado que el panel valida antes de renderizar.
La API de lectura entregada se expone a través de Amazon API Gateway y admite seis puntos finales JSON: la lista de postes, la lectura actual y el pronóstico almacenado en caché para un poste, el historial de seguimiento, las bandas de pronóstico, el resumen en lenguaje natural de Bedrock y el resumen regional diario. Una aplicación de página única de Vue construida con Vite se sirve a través de Amazon CloudFront frente a un origen S3 privado y le da al equipo de operaciones de N-Smart un único lugar para revisar alertas, pronósticos, razonamiento y resúmenes de Bedrock por poste. El panel y los puntos finales JSON son la misma interfaz que el equipo de operaciones utiliza hoy, y ambos son igualmente invocables desde una herramienta de operaciones para la integración en los sistemas existentes de N-Smart. Una tubería de integración continua y despliegue continuo construida a través de Amazon Elastic Container Registry maneja los despliegues versionados de las funciones Lambda.
Motor de puntuación en tiempo real en AWS Lambda que enriquece cada enlace ascendente del sensor con el contexto meteorológico, de humedad del suelo y de vegetación, y escribe una fila completamente puntuada
Dos detectores basados en reglas (alerta de inclinación con atribución de causa y anomalía de evento de movimiento) con bandas de gravedad configurables y registros de razones estructurados
Modelo Random Cut Forest de Amazon SageMaker para la detección de anomalías multivariadas en seis características de los sensores, reentrenado semanalmente
Modelo de pronóstico DeepAR de Amazon SageMaker que produce bandas de confianza p10, p50 y p90 en un horizonte de siete días sobre inclinación, magnitud de aceleración y temperatura
Puntuaciones de riesgo compuestas: Índice de Riesgo de Ignición, Puntuación de Salud del Poste y Vulnerabilidad Regional al Fuego, cada una con fórmulas, pesos y planes de validación documentados
Capa de explicabilidad de Amazon Bedrock con cinco patrones de consulta que generan resúmenes en lenguaje sencillo y recomendaciones priorizadas para el operador
API de lectura en Amazon API Gateway con seis puntos finales JSON para postes, lecturas actuales, historial, pronósticos, resúmenes en lenguaje natural y resúmenes regionales
Panel de operador de Vue en Amazon CloudFront con cinco vistas por poste (estado, pronóstico, razonamiento, resumen de IA, datos brutos) más una vista de mapa de calor regional
Distribución de alertas a través de Amazon Simple Notification Service en tres temas que cubren alertas en tiempo real, eventos pronosticados y disparadores de recálculo regional
Tubería de integración continua y despliegue a través de Amazon Elastic Container Registry para despliegues versionados de Lambda
Registros de razones estructurados vinculados a cinco firmas de falla nombradas (colapso inminente, inclinación progresiva, daño por impacto, estrés por movimiento sostenido y poste invertido o caído)
Documentación completa de entrega técnica que cubre arquitectura, modelos, configuración y referencia de API
La solución entregada mueve las operaciones de N-Smart de reactivas a predictivas. Cada poste de la flota desplegada ahora se puntúa en cada enlace ascendente del sensor por riesgo estructural y de incendio, un pronóstico diario proyecta el riesgo de cada poste con siete días de anticipación, y Bedrock genera explicaciones en lenguaje sencillo con acciones priorizadas bajo demanda. Cada puntuación de la familia se remonta a un requisito contractual específico o a una cláusula en la especificación operativa de N-Smart, lo que significa que el equipo de operaciones puede explicar el razonamiento detrás de cada alerta a sus propios clientes.
La detección de anomalías de Random Cut Forest logró una recuperación de 0.9758 en una cohorte de validación limpia de 4,975 registros, superando el umbral de aceptación de 0.80 en más de diecinueve puntos porcentuales
El pronóstico de inclinación de DeepAR alcanzó un Error Absoluto Escalonado Medio entre 0.51 y 0.60, superando la línea de base estacional en un 40 % a 50 %
La tasa de aciertos del pronóstico en los horizontes de 24, 48 y 72 horas superó el umbral de aceptación del 80 % con margen tanto en inclinación como en magnitud de aceleración
La latencia de respuesta de la API se mantiene dentro del criterio de aceptación de 10 segundos en todos los puntos finales
Horizonte de pronóstico de ciento sesenta y ocho horas (7 días) en cada poste, actualizado diariamente y dentro de los 15 minutos de cualquier alerta de tormenta activa
Solución ejecutándose de principio a fin dentro de la cuenta de AWS de N-Smart, con una tubería de despliegue continuo versionada para una evolución constante
N-Smart Inc.
Reston, Virginia
Monitoreo de infraestructura para empresas de servicios públicos y municipios
Amazon SageMaker, Amazon Bedrock (Anthropic Claude Haiku 4.5), AWS Lambda, Amazon API Gateway, Amazon DynamoDB, Amazon S3, Amazon CloudFront, Amazon Simple Notification Service, Amazon EventBridge, Amazon Elastic Container Registry
N-Smart Inc. ofrece soluciones de monitoreo de infraestructura para empresas de servicios públicos y municipios. Su sistema de monitoreo de postes integra la telemetría de sensores con datos ambientales y meteorológicos para rastrear la inclinación, la vibración y las condiciones circundantes en una flota de postes de servicios públicos. Para prevenir fallas estructurales, interrupciones del servicio e ignición de incendios forestales, N-Smart contrató a Avahi para construir una solución de análisis y GenAI nativa de AWS que califica cada poste por riesgo estructural y de incendio en tiempo real, proyecta ese riesgo para la próxima semana y explica los resultados en un lenguaje sencillo para el equipo de operaciones. La solución se ejecuta completamente dentro de la cuenta de AWS de N-Smart y ahora alimenta su flujo de trabajo de operaciones con puntuaciones de riesgo actualizadas continuamente, pronósticos a futuro y recomendaciones priorizadas.
N-Smart Inc., con sede en Reston, Virginia, ofrece monitoreo de infraestructura conectada para operadores de servicios públicos y clientes municipales. La plataforma de la empresa agrega datos de sensores especialmente diseñados implementados en activos físicos en el campo, combina esa telemetría con el contexto ambiental y traduce la señal conjunta en inteligencia operativa que ayuda a las empresas de servicios públicos a prevenir fallas de equipos, interrupciones del servicio e incidentes de seguridad pública. La plataforma existente de N-Smart incluye una tubería de telemetría en tiempo real que ingiere lecturas de sensores de dispositivos especialmente diseñados conectados a postes y almacena los datos en un lago de datos particionado en AWS.
Los operadores de servicios públicos se enfrentan a dos riesgos operativos que están aumentando en frecuencia y gravedad: la ignición de incendios forestales originada en equipos viejos o dañados, y las interrupciones causadas por tormentas que pueden afectar a miles de clientes a la vez. Ambos son difíciles de prevenir porque dependen del comportamiento conjunto de muchas variables a la vez: la condición física del poste, la intensidad del clima local, la humedad del suelo, la densidad de la vegetación circundante y el historial de impacto acumulado del activo. Leer cada variable de forma aislada omite las interacciones que realmente causan las fallas.
N-Smart tenía los datos brutos. Su tubería de telemetría existente captura las lecturas de los sensores en cada enlace ascendente, y las lecturas llegan a un lago de datos particionado listo para el análisis. Lo que N-Smart necesitaba era la capa de análisis y razonamiento que convierte esas lecturas en puntuaciones de riesgo sobre las que un equipo de operaciones puede actuar: una puntuación para cada poste hoy, una proyección a futuro para la próxima semana y una explicación en lenguaje sencillo que el operador de guardia pueda leer a las tres de la mañana para decidir si enviar una cuadrilla de campo.
Sin esta capa, los equipos de operaciones de N-Smart seguirían trabajando de forma reactiva, respondiendo a las fallas después de que ocurrieran en lugar de intervenir antes. Para una empresa de servicios públicos que opera miles de postes en un territorio de servicio, esa brecha se traduce directamente en interrupciones de servicio evitables, mayor exposición al seguro por responsabilidad de incendios forestales y una respuesta más lenta a los eventos de tormenta que de otro modo podrían haberse preparado. N-Smart quería una solución que permitiera a sus clientes pasar del mantenimiento reactivo a la gestión predictiva de riesgos, y la querían entregada como infraestructura de AWS de grado de producción que su equipo interno pudiera poseer y ampliar.
La tubería de telemetría existente de N-Smart ya estaba implementada en AWS, con ingesta en tiempo real, un lago de datos particionado y gestión de identidad y acceso en su lugar. Construir la capa de análisis y razonamiento en la misma plataforma mantuvo la solución cerca de los datos, evitó los costos de egreso entre nubes y permitió a N-Smart aplicar las mismas herramientas operativas que ya utilizan para el cumplimiento, el monitoreo y la gobernanza de costos.
AWS también ofreció los servicios gestionados específicos que la solución requería, cada uno de ellos listo para producción y cubierto por el soporte empresarial de AWS: Amazon SageMaker para la detección de anomalías y la previsión de series temporales, Amazon Bedrock para el acceso a modelos de lenguaje grandes y una pila sin servidor madura para la API, las alertas y la entrega de paneles. Anclar el nuevo trabajo en la plataforma de AWS significó que N-Smart podría escalar desde la flota inicial a su base de clientes más amplia sin una migración de plataforma.
N-Smart seleccionó a Avahi basándose en la exitosa entrega de un compromiso anterior que construyó su tubería de telemetría existente en AWS. El historial de Avahi como socio de AWS de primer nivel y su concentración de experiencia en GenAI, SageMaker e ingeniería de datos de producción le dieron a N-Smart la confianza de que el mismo equipo podría llevar la plataforma desde la ingesta de datos brutos hasta la inteligencia de riesgo operativa en un solo compromiso continuo.
El enfoque de Avahi también coincidió con lo que N-Smart necesitaba como proveedor de monitoreo de infraestructura. Cada puntuación en la solución final se remonta a un elemento de línea contractual específico o a una sección de la especificación de requisitos del propio cliente, por lo que el equipo de operaciones puede explicar a sus propios clientes exactamente por qué se activó una alerta. El equipo de ingeniería de Avahi trabajó en estrecha colaboración con N-Smart con una cadencia semanal durante el compromiso, y cada iteración de las fórmulas y umbrales de puntuación se estableció en función de las reglas operativas que los dos equipos acordaron juntos.
Avahi y N-Smart construyeron una tubería de análisis y explicabilidad nativa de AWS que se ejecuta completamente dentro de la cuenta de AWS de N-Smart. La tubería está organizada en tres capas: un motor de puntuación en tiempo real que se ejecuta en cada enlace ascendente del sensor, un motor de pronóstico diario que proyecta los próximos siete días de riesgo por poste y una API de lectura que sirve un panel de operador.
La capa de puntuación en tiempo real se ejecuta en AWS Lambda. En cada enlace ascendente de un poste, la función de enriquecimiento lee la lectura del sensor del lago de datos de telemetría en Amazon S3, la une con datos ambientales externos (clima del Servicio Meteorológico Nacional y Open-Meteo, humedad del suelo de NASA SMAP y densidad de vegetación de NASA MODIS), calcula un conjunto de señales derivadas y escribe una fila enriquecida que lleva cada puntuación posterior. Dos detectores basados en reglas se activan contra la fila enriquecida: una alerta de inclinación con atribución de causa (viento, impacto, falla del suelo o desconocido) y un detector de anomalías de eventos de movimiento que compara cada poste con su propia línea de base de treinta días. En paralelo, un modelo Random Cut Forest de Amazon SageMaker analiza el comportamiento conjunto de seis características de los sensores y marca anomalías multivariadas que ninguna regla individual detectaría. Tres puntuaciones compuestas se basan en la misma fila: un Índice de Riesgo de Ignición construido a partir de seis entradas normalizadas utilizando el marco del Sistema Nacional de Clasificación de Peligros de Incendios, una Puntuación de Salud del Poste que combina el estrés estructural y la carga del equipo, y una Puntuación de Vulnerabilidad Regional al Fuego que acumula el riesgo por poste en una vista diaria regional.
La capa de pronóstico se ejecuta una vez al día por poste a través de una función Lambda programada activada por Amazon EventBridge. Lee los treinta días anteriores de historial enriquecido y puntúa tres métricas de pronóstico (ángulo de inclinación, magnitud de aceleración y temperatura) a través de un modelo DeepAR de Amazon SageMaker. Se eligió DeepAR porque aprende una única incrustación compartida en cada poste de la flota, lo que significa que un modelo entrenado sirve a cada dispositivo y los postes nuevos se unen a la incrustación automáticamente a través del reentrenamiento semanal. La función Lambda proyecta cada métrica ciento sesenta y ocho horas como bandas de confianza p10, p50 y p90, deriva números de riesgo operativo de las bandas (la probabilidad de que la inclinación cruce el umbral de inclinación sostenida a las veinticuatro, cuarenta y ocho y setenta y dos horas; una proyección del Índice de Riesgo de Ignición durante la semana; y una probabilidad compuesta de interrupción por tormenta), y almacena en caché el resultado en Amazon DynamoDB para que el panel lo lea. Cuando cualquier riesgo operativo cruza un umbral configurable, la función Lambda publica una alerta a través de Amazon Simple Notification Service para que el operador de guardia reciba la notificación por correo electrónico sin necesidad de monitorear el panel.
La capa de explicación se ejecuta en Amazon Bedrock. Cuando el operador abre una página de poste en el panel, la API llama a Bedrock con la última lectura del poste, las bandas de pronóstico almacenadas en caché, las puntuaciones actuales y el contexto regional. El modelo devuelve un párrafo corto en lenguaje sencillo más una lista priorizada de acciones imperativas que el operador de guardia puede tomar en las próximas horas. La capa de explicación admite cinco patrones de consulta distintos ajustados a los dos casos de uso principales, ignición de incendios forestales e interrupción por tormenta, y aplica un contrato de respuesta estructurado que el panel valida antes de renderizar.
La API de lectura entregada se expone a través de Amazon API Gateway y admite seis puntos finales JSON: la lista de postes, la lectura actual y el pronóstico almacenado en caché para un poste, el historial de seguimiento, las bandas de pronóstico, el resumen en lenguaje natural de Bedrock y el resumen regional diario. Una aplicación de página única de Vue construida con Vite se sirve a través de Amazon CloudFront frente a un origen S3 privado y le da al equipo de operaciones de N-Smart un único lugar para revisar alertas, pronósticos, razonamiento y resúmenes de Bedrock por poste. El panel y los puntos finales JSON son la misma interfaz que el equipo de operaciones utiliza hoy, y ambos son igualmente invocables desde una herramienta de operaciones para la integración en los sistemas existentes de N-Smart. Una tubería de integración continua y despliegue continuo construida a través de Amazon Elastic Container Registry maneja los despliegues versionados de las funciones Lambda.
Motor de puntuación en tiempo real en AWS Lambda que enriquece cada enlace ascendente del sensor con el contexto meteorológico, de humedad del suelo y de vegetación, y escribe una fila completamente puntuada
Dos detectores basados en reglas (alerta de inclinación con atribución de causa y anomalía de evento de movimiento) con bandas de gravedad configurables y registros de razones estructurados
Modelo Random Cut Forest de Amazon SageMaker para la detección de anomalías multivariadas en seis características de los sensores, reentrenado semanalmente
Modelo de pronóstico DeepAR de Amazon SageMaker que produce bandas de confianza p10, p50 y p90 en un horizonte de siete días sobre inclinación, magnitud de aceleración y temperatura
Puntuaciones de riesgo compuestas: Índice de Riesgo de Ignición, Puntuación de Salud del Poste y Vulnerabilidad Regional al Fuego, cada una con fórmulas, pesos y planes de validación documentados
Capa de explicabilidad de Amazon Bedrock con cinco patrones de consulta que generan resúmenes en lenguaje sencillo y recomendaciones priorizadas para el operador
API de lectura en Amazon API Gateway con seis puntos finales JSON para postes, lecturas actuales, historial, pronósticos, resúmenes en lenguaje natural y resúmenes regionales
Panel de operador de Vue en Amazon CloudFront con cinco vistas por poste (estado, pronóstico, razonamiento, resumen de IA, datos brutos) más una vista de mapa de calor regional
Distribución de alertas a través de Amazon Simple Notification Service en tres temas que cubren alertas en tiempo real, eventos pronosticados y disparadores de recálculo regional
Tubería de integración continua y despliegue a través de Amazon Elastic Container Registry para despliegues versionados de Lambda
Registros de razones estructurados vinculados a cinco firmas de falla nombradas (colapso inminente, inclinación progresiva, daño por impacto, estrés por movimiento sostenido y poste invertido o caído)
Documentación completa de entrega técnica que cubre arquitectura, modelos, configuración y referencia de API
La solución entregada mueve las operaciones de N-Smart de reactivas a predictivas. Cada poste de la flota desplegada ahora se puntúa en cada enlace ascendente del sensor por riesgo estructural y de incendio, un pronóstico diario proyecta el riesgo de cada poste con siete días de anticipación, y Bedrock genera explicaciones en lenguaje sencillo con acciones priorizadas bajo demanda. Cada puntuación de la familia se remonta a un requisito contractual específico o a una cláusula en la especificación operativa de N-Smart, lo que significa que el equipo de operaciones puede explicar el razonamiento detrás de cada alerta a sus propios clientes.
La detección de anomalías de Random Cut Forest logró una recuperación de 0.9758 en una cohorte de validación limpia de 4,975 registros, superando el umbral de aceptación de 0.80 en más de diecinueve puntos porcentuales
El pronóstico de inclinación de DeepAR alcanzó un Error Absoluto Escalonado Medio entre 0.51 y 0.60, superando la línea de base estacional en un 40 % a 50 %
La tasa de aciertos del pronóstico en los horizontes de 24, 48 y 72 horas superó el umbral de aceptación del 80 % con margen tanto en inclinación como en magnitud de aceleración
La latencia de respuesta de la API se mantiene dentro del criterio de aceptación de 10 segundos en todos los puntos finales
Horizonte de pronóstico de ciento sesenta y ocho horas (7 días) en cada poste, actualizado diariamente y dentro de los 15 minutos de cualquier alerta de tormenta activa
Solución ejecutándose de principio a fin dentro de la cuenta de AWS de N-Smart, con una tubería de despliegue continuo versionada para una evolución constante
Exploremos juntos sus oportunidades de IA de alto impacto en una sesión gratuita
