Edenoff, anticipar cortes de luz con Inteligencia Artificial
Just shut off the light
Ooh, let the good times roll, child
Just shut off the light
Ooh, we’re gonna boogie like a fool, child
Shut off the light, Betty Davis, 1975
Comprender la vida en Argentina entra en el orden de lo fantástico. Como sea, pronto estarán publicados los detalles de Edenoff, el dispositivo que se instala en un toma de luz y es capaz de anticipar cortes utilizando Inteligencia Artificial.
¿Cómo funciona Edenoff?
Se entrena un modelo de Machine Learning que contiene un timestamp, la medición del voltaje que entrega el toma, un promedio de las últimas x mediciones de voltaje y la temperatura. Este entrenamiento se lleva a cabo tanto para la provisión normal de servicio como para escenarios de corte históricos. El modelo de Machine Learning se carga en una placa Arduino Nano BLE 33 Sense que tiene conectado un sensor de voltaje y un sensor de temperatura.
Realizando mediciones en la caja de luz es capaz de realizar inferencias. En caso que esta inferencia determine un % mayor a cierto límite, suena un buzzer y se presenta en la pantalla el mensaje FAIL compuesto por líneas de un display de 7 segmentos.
En este punto sería el momento de encender generadores, mover el tráfico de un servidor, llevarse la computadora a un bar en la zona sur, etc.
Sesgos, determinismo y filosofía
El pasado no necesariamente determina el futuro y el sesgo siempre será un problema al entrenar redes neuronales. Sin embargo este entrenamiento puede ser realizado no solo con mediciones históricas sino también con hipotesis de acuerdo a la capacidad energética y otras variables que ciertamente manejan los distribuidores.
Del prototipo a producción
Al tratarse de una prueba de concepto, hay dos simplificaciones llevadas a cabo. La primera es que la temperatura se mide adentro de la caja de luz ya que la placa Arduino BLE 33 Sense tiene un sensor de temperatura integrado. Y la temperatura adentro de la caja obviamente no es representativa. Esto se soluciona con un sensor externo o bien con el feed de un servicio climático. La segunda simplificación es que el dataset utilizado para entrenar el modelo es sintético. Es decir que no fue obtenido del proveedor de servicio (al no estar dispobible públicamente) ni compilado artesanalmente (hubieran sido necesarios muchos cortes o microcortes desde que se inició el proyecto)
Ver también
Who turned out the lights? Edenoff anticipates power outages with Machine Learning
