Fridgy

Presentación

Mantenimiento predictivo inteligente para frigoríficos minoristas

Inspiration

Los minoristas pierden 30.000 millones de dólares al año por productos estropeados debido a averías en las neveras. Nos inspiramos para crear una solución de IA accesible que predice las necesidades de mantenimiento antes de que se produzcan averías, utilizando datos de sensores del mundo real de cámaras frigoríficas comerciales.

Qué hace

Predice fallas con más de 7 días de prevista utilizando XGBoost (PR AUC: 0,92)
Optimiza el uso de la energía marcando los refrigeradores ineficientes (relación potencia/tiempo de funcionamiento)
Realiza un seguimiento de las tendencias a través de MongoDB Atlas con métricas rodantes (cambios de temp, ciclos del compresor).

Cómo lo construimos

Los datos:
```
# Feature engineering example
df["compressor_per_on_time"] = df["compressor"] / (df["on_time"] + 1e-6) # Evita la división por cero
```
- Procesamiento de más de 50.000 registros con pandas.
- Almacenado datos de series temporales en MongoDB Atlas para escalabilidad en la nube
Modelo de IA:
- Entrenado XGBoost en 14 características de ingeniería (diferencias temporales, ratios de ventas, etc.)
- Alcanzó una precisión del 92% con una recuperación del 80% mediante la optimización de la curva de precisión-recuperación.
Integración en la nube:
Diagrama de arquitectura](/assets/arch.png)
- Predicciones en tiempo real con Triggers de MongoDB.
- Tendencias visualizadas con MongoDB Charts.

Desafíos con los que nos encontramos

Perdidas temporales en rolling features (solucionado con splits estrictos groupby-cooler_id)
Latencia del Atlas de MongoDB durante inserciones masivas (optimizado con ordered=False)
Desequilibrio de clases (ratio 5:1 normal:warning) solucionado mediante la métrica AUC-PR

Logros de los que estamos orgullosos

Creación de un proceso integral desde CSV sin procesar hasta predicciones implementadas en la nube.
Reducción de las falsas alarmas en un 40% en comparación con las alertas basadas en umbrales

Lo que hemos aprendido

Ingeniería de características > ajuste de modelos para problemas de series temporales
El esquema flexible de MongoDB aceleró la iteración (¡sin migraciones SQL!)
El impacto en el negocio** es más importante que la precisión del modelo