La inspiración detrás de FrostGuard surge de un problema común en el retail: una falla en un refrigerador inteligente representa pérdidas económicas, producto dañado y afectaciones al cliente. Nos propusimos transformar grandes volúmenes de datos pasivos en una solución predictiva que pudiera anticipar estas fallas antes de que sucedan.
FrostGuard es un modelo de inteligencia artificial que analiza datos operativos de smart coolers —como temperatura, voltaje, apertura de puertas y uso diario— para predecir si un equipo fallará en el próximo mes. El sistema entrega una probabilidad por ID de cooler y una etiqueta binaria de riesgo, permitiendo mantenimiento preventivo más preciso. También incorpora la vida útil estimada del equipo, calculada con base en ventas históricas.
Para construirlo, trabajamos con cuatro bases de datos: registros operativos diarios, alertas de falla, ventas mensuales y metadatos del equipo. Realizamos limpieza, imputación por columnas, diseño de variables y etiquetado binario. Entrenamos modelos de redes neuronales, probamos dos modelos: RNN y LSTM. Los evaluamos con métricas como precisión, recall y average precision score. Uno de los principales retos fue que las alertas no incluían fecha, por lo que creamos una estrategia de etiquetado propia basada en IDs con historial y actividad.
A pesar de las limitaciones, logramos construir un pipeline de predicción funcional, que genera resultados accionables a partir de datos reales. Aprendimos a diseñar soluciones con información incompleta, crear etiquetas sin fechas exactas, y priorizar métricas útiles para problemas desbalanceados.
En el futuro, planeamos agrupar patrones de uso con clustering, y desarrollar una API para conectar FrostGuard a dashboards operativos. Así lograremos un monitoreo en tiempo real, enfocado en mantener el frío sin interrupciones, incluso llegando a mandar alertas automatizadas de los clientes a los que se les debe de dar seguimiento por mantenimiento.
Log in or sign up for Devpost to join the conversation.