CASO DE ÉXITO
IALift para Thyssenkrupp
Sistema inteligente para la optimización de los tiempos de espera en ascensores.
Con el proyecto IALift integramos tecnologías de Inteligencia Artificial, especialmente Machine Learning, en los ascensores que fabrica e instala ThyssenKrupp Norte SA, uno de los mayores grupos tecnológicos del mundo y líder absoluto en el mercado de las escaleras mecánicas y elevadores.
Este desarrollo permitió no solo añadir nuevas funcionalidades a los productos de ThyssenKrupp, sino mejorar el servicio que la empresa ofrece y reducir el impacto económico y medioambiental en sus instalaciones gracias a la optimización en el consumo energético de los ascensores.
1. Objetivo del proyecto de Machine Learning
El proyecto IALift se basa en la integración de las tecnologías de Inteligencia Artificial (en especial de Machine Learning) en el proceso de funcionamiento de los ascensores que fabrica e instala Thyssenkrupp Norte SA (tkN). Esta integración busca la optimización de los tiempos de espera que tienen los usuarios por los ascensores en todas las instalaciones que realice la empresa.
El uso de Machine Learning (ML) permitirá la implantación de una serie de modelos en estos ascensores que puedan prever con un tanto por ciento de certeza cual será el siguiente piso en el que van a recibir una llamada.
2. Aplicación de métodos de aprendizaje automático. De los datos a las predicciones.
Se realiza análisis de los datos de funcionamiento de varios elevadores apoyándonos en la herramienta de BigML. Nuestros data scientist lanzaron diferentes algoritmos hasta lograr un modelo capaz de predecir con una probabilidad muy elevada cuál será el siguiente piso en el que se accione el ascensor. Previamente, se realiza estudio exhaustivo sobre la viabilidad de las posibles soluciones de arquitectura y aplicaciones para IALift. La elección de uno u otro modelo, tendrá implicaciones desde el punto de vista de efectividad y gestión.
SOLUCIONES INDIVIDUALIZADAS PARA CADA ASCENSOR
El sistema propuesto implicaría una solución individual para cada ascensor. En este caso, se creará un modelo de predicción para cada uno de los ascensores tratando los datos de cada uno de los mismos de forma individual.
Esta sería la solución ideal en cuanto a efectividad de los modelos debido a que se realizarían de forma exclusiva para cada ascensor teniendo en cuenta todas sus particularidades y posibles variables externas a utilizar.
SOLUCIONES GENERALISTAS
El sistema propuesto implicaría crear una aplicación para gestionar la totalidad de ascensores Para ello el sistema tendrá su propia base de datos de ascensores y modelos para aplicar el adecuado para cada petición.
En este caso, se debe generalizar la creación de modelos para los ascensores , definiendo grupos de ascensores con comportamiento similar. Esto permitiría la gestión centralizada desde una sola aplicación para un gran numero de ascensores pero perderíamos efectividad de los modelos al no ser específicos para cada ascensor y ser más generalistas.
3. El modelo
- Descripción del modelo escogido.
4. Calidad del modelo y resultados esperados
- Reducción de tiempos de espera en un 10% en modelos probados calle Santander.
- Reducción de tiempos de espera en un 12% en modelos probados calle Santander.
