Inspiration
Los esfuerzos que las personas ponen en mantener su negocio funcional y satisfactorio para sus clientes y asimismo cuidar el sustento económico que les provee es nuestra mayor inspiración para crear tecnología que sea utilizada como escalón seguro hacia esos objetivos.
What it does
Por medio de un modelo de machine learning entrenado con datos de sensores, historial de fallas y ventas, este sistema predice la probabilidad de que un cooler falle, al mostrar esta predicción por pantallas o dashboards. De esta manera, permite generar alertas tempranas que prioricen mantenimientos preventivos, ahorrando las pérdidas que genera una falla crítica.
How we built it
Analizamos datos reales, hicimos limpieza y transformación de estos, creamos features importantes, aplicamos técnicas de balanceo de clase con SMOTE, entrenamos un modelo con XGBoost.
Challenges we ran into
El modelo adecuado fue un poco difícil de implementar. Otros eran menos precisos y aunque tardamos más en implementar este, valió la pena por el aumento de aciertos.
Accomplishments that we're proud of
Estamos orgullosas de un modelo que puede hacer predicciones correctas, a pesar de ciertos falsos verdaderos.
What we learned
Aprendimos sobre la implementación de Machine Learning en situaciones de la vida real.
What's next for Predicción de fallas de Smart Coolers
Afinarlo por medio de entrenamiento con más datos más precisos, al igual que el umbral.
Log in or sign up for Devpost to join the conversation.