/
Attune
Viena, Virginia
PropTech habilitada para IoT / Inteligencia de edificios — Monitorización ambiental
Amazon Bedrock Anthropic Claude Sonnet 4 AWS EC2 AWS IAM AWS S3 Amazon RDS React Chain-of-Thought (CoT) Prompting Plantillas de prompts JSON estructurado GitHub
Attune es líder en PropTech habilitada para IoT, ofreciendo inteligencia ambiental en tiempo real en escuelas, hospitales y edificios comerciales a través de una plataforma unificada alojada en la nube. Aunque la red de sensores de Attune generaba datos continuos y detallados en múltiples sistemas de edificios, sus alertas existentes basadas en reglas no podían explicar por qué ocurrían las anomalías, lo que obligaba a los gestores de las instalaciones a interpretar manualmente eventos complejos de múltiples sensores. Avahi diseñó y entregó un sistema de interpretación de anomalías impulsado por GenAI en Amazon Bedrock, utilizando Claude Sonnet 4 de Anthropic para generar explicaciones de causa raíz en lenguaje natural, causas clasificadas y orientación práctica directamente a partir de los datos de los sensores en vivo. El resultado: una reducción del 19 % en el tiempo de triaje y una base de IA escalable lista para su despliegue en toda la empresa.
Attune es un innovador en PropTech con más de 45 patentes en soluciones integradas de IoT, proporcionando a propietarios de edificios, operadores y gestores de instalaciones visibilidad en tiempo real sobre la calidad del aire interior (IAQ), el rendimiento de HVAC, el uso de energía y el riesgo hídrico. Su plataforma alojada en la nube agrega datos de sensores en diversos entornos de misión crítica, incluidas escuelas K–12 y sistemas hospitalarios, permitiendo a los operadores optimizar el rendimiento de los edificios, garantizar el cumplimiento normativo y reducir los costos operativos a escala.
La plataforma de Attune ya estaba capturando un flujo continuo de datos de sensores de alta fidelidad: CO₂, temperatura, humedad, ocupación, material particulado (PM2.5, PM10), TVOC y flujo de agua, en docenas de sitios de clientes. Cuando se superaban los umbrales de los sensores, el sistema generaba «Action Cards»: alertas predefinidas que indicaban a los operadores qué se había activado, pero no por qué había ocurrido ni qué hacer al respecto en contexto. Estas respuestas estáticas y preescritas no podían dar cuenta de la complejidad de los sistemas de edificios del mundo real, donde una sola anomalía puede involucrar interacciones en cascada entre unidades HVAC, zonas de ventilación, patrones de ocupación y condiciones ambientales.
Para los gestores de instalaciones (muchos de ellos no técnicos) esto creaba una carga operativa significativa. Interpretar datos de sensores de alta dimensionalidad en sistemas de edificios interconectados requería experiencia y tiempo que la mayoría de los equipos simplemente no tenían. Las alertas quedaban poco investigadas, las causas raíz sin resolver, y el riesgo de incumplimientos de SLA, desperdicio de energía y brechas de cumplimiento crecía con cada anomalía no diagnosticada.
Las consecuencias de la inacción eran claras: ineficiencias energéticas, fallas de ventilación no detectadas y anomalías hídricas persistirían por más tiempo, aumentando los costos operativos y exponiendo a los ocupantes de los edificios, incluidos niños y pacientes hospitalarios, a riesgos evitables para la salud ambiental. Attune necesitaba IA que pudiera hacer más que señalar problemas. Necesitaban un sistema que pudiera razonar a través de ellos.
La infraestructura existente de Attune ya estaba construida en AWS, lo que convirtió a Amazon Web Services en la plataforma natural para extender sus capacidades con IA generativa. Amazon Bedrock proporcionó una base completamente administrada y lista para empresas para la inferencia de LLM, eliminando la necesidad de gestionar la infraestructura de modelos mientras ofrecía acceso a modelos fundacionales líderes con los controles de seguridad y cumplimiento requeridos para los entornos regulados de clientes de Attune. AWS IAM habilitó controles de acceso precisos basados en roles dentro de la propia cuenta de AWS de Attune, y el ecosistema más amplio de AWS —incluidos EC2, S3 y RDS— permitió que la solución se integrara directamente con la infraestructura existente de almacenamiento de datos y cómputo de Attune sin interrupción arquitectónica.
Avahi aportó un enfoque estructurado y basado en evidencia hacia la IA que se alineaba con la necesidad de confiabilidad de Attune en entornos de misión crítica. En lugar de pasar directamente al desarrollo, Avahi propuso una Evaluación de Descubrimiento formal, una fase de evaluación rigurosa que incluyó pruebas empíricas de tres modelos de IA contra datos reales de sensores de Attune, un informe de calidad de datos y un caso de negocio cuantificado antes de que se escribiera una sola línea de código de producción. Esta disciplina le dio a Attune la confianza de que la solución estaría fundamentada en su realidad operativa real, no en suposiciones genéricas de IA.
Como socio de nivel premier de AWS, Avahi tenía la profundidad técnica para navegar configuraciones complejas de Bedrock, límites de confianza de IAM y gestión de cuotas, desafíos que surgieron durante el proyecto y se resolvieron sin demora. Avahi también demostró la flexibilidad y responsabilidad que Attune necesitaba: cuando la retroalimentación temprana indicó que el enfoque inicial no estaba entregando suficiente diferenciación sobre las Action Cards existentes, el equipo rearquitectó la solución en respuesta, un giro que finalmente produjo la versión más sólida del producto y obtuvo la aprobación formal del cliente.
Avahi entregó un sistema de interpretación de anomalías de IoT impulsado por GenAI construido en Amazon Bedrock, integrando Claude Sonnet 4 de Anthropic directamente en el pipeline de datos de 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 contra datos reales y necesidades operativas reales antes del despliegue.
La arquitectura técnica comienza con la ingesta y preprocesamiento de siete tipos de sensores: temperatura, humedad, TVOC, CO₂, PM1, PM2.5 y PM10. Las verificaciones basadas en reglas primero señalan anomalías candidatas, luego 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 causa raíz en lenguaje natural, de dos a cuatro causas clasificadas con justificación de respaldo, acciones recomendadas específicas, una puntuación de confianza entre 0 y 1, y un resumen operativo conciso de ≤30 palabras formateado para integración directa con el sistema de tickets.
La innovación arquitectónica más significativa llegó a través de un giro a mitad del proyecto de la Fase 1 a la Fase 2. En la Fase 1, el LLM se utilizó para mejorar las salidas de las Action Cards existentes basadas en reglas, un enfoque que los interesados del cliente sintieron que estaba demasiado cerca del sistema original. En la Fase 2, Avahi rearquitectó la solución para que las reglas operativas se inyectaran directamente en el prompt del LLM, permitiendo que Claude razonara de extremo a extremo desde el contexto del sensor en bruto en lugar de simplemente elaborar sobre salidas predeterminadas. Este enfoque de reglas como prompts eliminó una capa de middleware, aseguró que el razonamiento de IA se mantuviera consistente con la lógica de negocio y produjo salidas de diagnóstico genuinamente diferenciadas en las que los operadores podían confiar y actuar. La confianza promedio del modelo en las anomalías evaluadas alcanzó 0.85.
Se aplicó prompting Chain-of-Thought (CoT) en todo momento para respaldar un razonamiento transparente y rastreable, un aspecto crítico en entornos regulados donde los operadores necesitan entender por qué la IA llegó a una conclusión antes de actuar sobre ella. Un diseño de humano en el bucle asegura que las intervenciones de alto riesgo, como apagados de HVAC y anulaciones del sistema de agua, requieran confirmación del operador, manteniendo la responsabilidad con el equipo de instalaciones mientras se reduce la carga cognitiva del triaje de rutina. Las alertas de baja confianza se marcan automáticamente para revisión humana.
Los resultados se muestran a través de un panel de React alojado en AWS EC2, mostrando puntuaciones de confianza, salidas de diagnóstico y un feed de acciones del usuario que permite a los operadores registrar respuestas, creando un bucle de retroalimentación que respaldará el refinamiento futuro 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.
La solución GenAI de Avahi transformó cómo la plataforma de Attune interpreta y comunica las anomalías de edificios, reemplazando texto de alerta estático y genérico con diagnósticos generados dinámicamente y conscientes del contexto, adaptados a cada evento. Los gestores de instalaciones obtuvieron la capacidad de comprender las causas raíz y actuar sobre recomendaciones específicas sin necesitar experiencia técnica profunda, reduciendo directamente el tiempo y la carga cognitiva requeridos para resolver incidentes. Críticamente, esta capacidad se entregó con el razonamiento estructurado y las salvaguardas de humano en el bucle requeridas para el despliegue en escuelas y hospitales, entornos donde las fallas del sistema de edificios conllevan implicaciones directas de salud y seguridad.
Los resultados medibles validan el enfoque:
Attune
Viena, Virginia
PropTech habilitada para IoT / Inteligencia de edificios — Monitorización ambiental
Amazon Bedrock Anthropic Claude Sonnet 4 AWS EC2 AWS IAM AWS S3 Amazon RDS React Chain-of-Thought (CoT) Prompting Plantillas de prompts JSON estructurado GitHub
Attune es líder en PropTech habilitada para IoT, ofreciendo inteligencia ambiental en tiempo real en escuelas, hospitales y edificios comerciales a través de una plataforma unificada alojada en la nube. Aunque la red de sensores de Attune generaba datos continuos y detallados en múltiples sistemas de edificios, sus alertas existentes basadas en reglas no podían explicar por qué ocurrían las anomalías, lo que obligaba a los gestores de las instalaciones a interpretar manualmente eventos complejos de múltiples sensores. Avahi diseñó y entregó un sistema de interpretación de anomalías impulsado por GenAI en Amazon Bedrock, utilizando Claude Sonnet 4 de Anthropic para generar explicaciones de causa raíz en lenguaje natural, causas clasificadas y orientación práctica directamente a partir de los datos de los sensores en vivo. El resultado: una reducción del 19 % en el tiempo de triaje y una base de IA escalable lista para su despliegue en toda la empresa.
Attune es un innovador en PropTech con más de 45 patentes en soluciones integradas de IoT, proporcionando a propietarios de edificios, operadores y gestores de instalaciones visibilidad en tiempo real sobre la calidad del aire interior (IAQ), el rendimiento de HVAC, el uso de energía y el riesgo hídrico. Su plataforma alojada en la nube agrega datos de sensores en diversos entornos de misión crítica, incluidas escuelas K–12 y sistemas hospitalarios, permitiendo a los operadores optimizar el rendimiento de los edificios, garantizar el cumplimiento normativo y reducir los costos operativos a escala.
La plataforma de Attune ya estaba capturando un flujo continuo de datos de sensores de alta fidelidad: CO₂, temperatura, humedad, ocupación, material particulado (PM2.5, PM10), TVOC y flujo de agua, en docenas de sitios de clientes. Cuando se superaban los umbrales de los sensores, el sistema generaba «Action Cards»: alertas predefinidas que indicaban a los operadores qué se había activado, pero no por qué había ocurrido ni qué hacer al respecto en contexto. Estas respuestas estáticas y preescritas no podían dar cuenta de la complejidad de los sistemas de edificios del mundo real, donde una sola anomalía puede involucrar interacciones en cascada entre unidades HVAC, zonas de ventilación, patrones de ocupación y condiciones ambientales.
Para los gestores de instalaciones (muchos de ellos no técnicos) esto creaba una carga operativa significativa. Interpretar datos de sensores de alta dimensionalidad en sistemas de edificios interconectados requería experiencia y tiempo que la mayoría de los equipos simplemente no tenían. Las alertas quedaban poco investigadas, las causas raíz sin resolver, y el riesgo de incumplimientos de SLA, desperdicio de energía y brechas de cumplimiento crecía con cada anomalía no diagnosticada.
Las consecuencias de la inacción eran claras: ineficiencias energéticas, fallas de ventilación no detectadas y anomalías hídricas persistirían por más tiempo, aumentando los costos operativos y exponiendo a los ocupantes de los edificios, incluidos niños y pacientes hospitalarios, a riesgos evitables para la salud ambiental. Attune necesitaba IA que pudiera hacer más que señalar problemas. Necesitaban un sistema que pudiera razonar a través de ellos.
La infraestructura existente de Attune ya estaba construida en AWS, lo que convirtió a Amazon Web Services en la plataforma natural para extender sus capacidades con IA generativa. Amazon Bedrock proporcionó una base completamente administrada y lista para empresas para la inferencia de LLM, eliminando la necesidad de gestionar la infraestructura de modelos mientras ofrecía acceso a modelos fundacionales líderes con los controles de seguridad y cumplimiento requeridos para los entornos regulados de clientes de Attune. AWS IAM habilitó controles de acceso precisos basados en roles dentro de la propia cuenta de AWS de Attune, y el ecosistema más amplio de AWS —incluidos EC2, S3 y RDS— permitió que la solución se integrara directamente con la infraestructura existente de almacenamiento de datos y cómputo de Attune sin interrupción arquitectónica.
Avahi aportó un enfoque estructurado y basado en evidencia hacia la IA que se alineaba con la necesidad de confiabilidad de Attune en entornos de misión crítica. En lugar de pasar directamente al desarrollo, Avahi propuso una Evaluación de Descubrimiento formal, una fase de evaluación rigurosa que incluyó pruebas empíricas de tres modelos de IA contra datos reales de sensores de Attune, un informe de calidad de datos y un caso de negocio cuantificado antes de que se escribiera una sola línea de código de producción. Esta disciplina le dio a Attune la confianza de que la solución estaría fundamentada en su realidad operativa real, no en suposiciones genéricas de IA.
Como socio de nivel premier de AWS, Avahi tenía la profundidad técnica para navegar configuraciones complejas de Bedrock, límites de confianza de IAM y gestión de cuotas, desafíos que surgieron durante el proyecto y se resolvieron sin demora. Avahi también demostró la flexibilidad y responsabilidad que Attune necesitaba: cuando la retroalimentación temprana indicó que el enfoque inicial no estaba entregando suficiente diferenciación sobre las Action Cards existentes, el equipo rearquitectó la solución en respuesta, un giro que finalmente produjo la versión más sólida del producto y obtuvo la aprobación formal del cliente.
Avahi entregó un sistema de interpretación de anomalías de IoT impulsado por GenAI construido en Amazon Bedrock, integrando Claude Sonnet 4 de Anthropic directamente en el pipeline de datos de 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 contra datos reales y necesidades operativas reales antes del despliegue.
La arquitectura técnica comienza con la ingesta y preprocesamiento de siete tipos de sensores: temperatura, humedad, TVOC, CO₂, PM1, PM2.5 y PM10. Las verificaciones basadas en reglas primero señalan anomalías candidatas, luego 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 causa raíz en lenguaje natural, de dos a cuatro causas clasificadas con justificación de respaldo, acciones recomendadas específicas, una puntuación de confianza entre 0 y 1, y un resumen operativo conciso de ≤30 palabras formateado para integración directa con el sistema de tickets.
La innovación arquitectónica más significativa llegó a través de un giro a mitad del proyecto de la Fase 1 a la Fase 2. En la Fase 1, el LLM se utilizó para mejorar las salidas de las Action Cards existentes basadas en reglas, un enfoque que los interesados del cliente sintieron que estaba demasiado cerca del sistema original. En la Fase 2, Avahi rearquitectó la solución para que las reglas operativas se inyectaran directamente en el prompt del LLM, permitiendo que Claude razonara de extremo a extremo desde el contexto del sensor en bruto en lugar de simplemente elaborar sobre salidas predeterminadas. Este enfoque de reglas como prompts eliminó una capa de middleware, aseguró que el razonamiento de IA se mantuviera consistente con la lógica de negocio y produjo salidas de diagnóstico genuinamente diferenciadas en las que los operadores podían confiar y actuar. La confianza promedio del modelo en las anomalías evaluadas alcanzó 0.85.
Se aplicó prompting Chain-of-Thought (CoT) en todo momento para respaldar un razonamiento transparente y rastreable, un aspecto crítico en entornos regulados donde los operadores necesitan entender por qué la IA llegó a una conclusión antes de actuar sobre ella. Un diseño de humano en el bucle asegura que las intervenciones de alto riesgo, como apagados de HVAC y anulaciones del sistema de agua, requieran confirmación del operador, manteniendo la responsabilidad con el equipo de instalaciones mientras se reduce la carga cognitiva del triaje de rutina. Las alertas de baja confianza se marcan automáticamente para revisión humana.
Los resultados se muestran a través de un panel de React alojado en AWS EC2, mostrando puntuaciones de confianza, salidas de diagnóstico y un feed de acciones del usuario que permite a los operadores registrar respuestas, creando un bucle de retroalimentación que respaldará el refinamiento futuro 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.
La solución GenAI de Avahi transformó cómo la plataforma de Attune interpreta y comunica las anomalías de edificios, reemplazando texto de alerta estático y genérico con diagnósticos generados dinámicamente y conscientes del contexto, adaptados a cada evento. Los gestores de instalaciones obtuvieron la capacidad de comprender las causas raíz y actuar sobre recomendaciones específicas sin necesitar experiencia técnica profunda, reduciendo directamente el tiempo y la carga cognitiva requeridos para resolver incidentes. Críticamente, esta capacidad se entregó con el razonamiento estructurado y las salvaguardas de humano en el bucle requeridas para el despliegue en escuelas y hospitales, entornos donde las fallas del sistema de edificios conllevan implicaciones directas de salud y seguridad.
Los resultados medibles validan el enfoque:
Exploremos juntos sus oportunidades de IA de alto impacto en una sesión gratuita
