Smart Coolers Nest

Smart Coolers Nest anticipa fallas antes de que ocurran, usando anomalías en datos clave. Predecimos con 90% de precisión y convertimos pérdidas potenciales en acciones inteligentes.

Comment

Smart Coolers Nest

“Las fallas no ocurren de la nada. Dejan huellas. Nosotras aprendimos a leerlas.”

Inspiration

Cuando un cooler se apaga, no solo se pierde frío: se esfuman ventas, visibilidad y eficiencia operativa.
Descubrimos un patrón contundente:

“Donde más vendemos, más fallamos. Y cuando más fallamos, menos vendemos.”

What it does

  1. Monitor 24/7 cada cooler con telemetría (temperatura, duty-cycle del compresor, amperaje).
  2. Detecta anomalías en tiempo real mediante rangos intercuartílicos adaptativos.
  3. Predice fallas a 30 días con un Random Forest Classifier (AUC = 0.92, 90 % de acierto).
  4. Calcula impacto en \$ y prioriza coolers críticos (Top-k).
  5. Genera tickets automáticos → técnicos reciben orden con localización y probabilidad de falla.
  6. Dashboard MERN:
    • Vista histórica → picos mensuales, sobreuso del 80 % y temperatura > 10 °C = mayor riesgo.
    • Vista de predicción → distribución de riesgo (alto/medio/bajo) + descarga CSV de alertas.

How we built it

Capa Tecnologías / Detalle
Data Pipeline Python 3.9, pandas, Airflow (ingesta diaria).
Feature Engineering - Detección de outliers (IQR) en temp y duty_cycle.
- Ventana crítica de 30 días para etiquetar “pre-falla”.
Modelos - Random Forest (scikit-learn) → clasificación binaria.
- Bi-LSTM (TensorFlow) → forecast de ventas diarias.
Backend Node.js 18, Express, MongoDB Atlas.
Frontend React + Vite, recharts, Tailwind.
DevOps Docker, GitHub Actions (lint + test + build).

Challenges we ran into

  1. No había etiqueta directa de falla → diseñamos lógica de outliers + ventana temporal.
  2. Datos secuenciales con huecos → imputación por forward-fill y suavizado exponencial.
  3. Clase desbalanceada (< 12 % fallas) → class_weight = “balanced_subsample”.
  4. Latencia de inferencia → serializamos modelo en joblib y cache en Redis.

Accomplishments that we're proud of

  • 4 875 coolers evaluados -→ \$283 K de pérdida evitada solo en mayo.
  • 90 % de precisión con < 200 árboles (modelo ligero, inferencia < 50 ms).
  • Sistema de ticketing integrado: del dato al mantenimiento en un clic.

What we learned

  • Las fallas dejan micro-señales hasta 30 días antes: temperatura creciente, compresor al límite.
  • Combinar clasificación + forecast de ventas da visibilidad financiera real, no solo técnica.
  • CRISP-DM sigue vigente para estructurar problemas de ML industriales.

What's next for Smart Coolers Nest

  1. Edge inference en Raspberry Pi para alerta local sin internet.
  2. Retraining semanal con pipeline MLOps (MLflow + DVC).
  3. Explainable AI (SHAP) para justificar cada alerta al técnico.
  4. Recomendador de refacciones según tipo de falla histórica.
  5. API abierta para integrar con SAP PM y Power BI.

Resultado: Hoy no solo anticipamos fallas; anticipamos pérdidas y las convertimos en intervenciones inteligentes.

Built With

Share this project:

Updates