Mejora de los motores de base de reglas con sugerencias de copiloto

 

Ser un operador de sala de control en una ciudad con millones de personas y decenas de miles de sensores no es una tarea fácil en estos días. La presión cognitiva aplicada durante las horas de turno puede agotar al operador e influir en su juicio y toma de decisiones cuando surgen situaciones de vida o muerte. Muchas ciudades en todo el mundo utilizan numerosos subsistemas que gestionan sensores para estacionamientos, alumbrado público, control de tráfico, etcétera. Como operador del sistema, lidiar con varias UI (interfaces de usuario) desconectadas y recibir detecciones de sensores directamente en su estación de trabajo puede provocar rápidamente una incapacidad para responder y operar eventos urgentes.

 

Aquí es donde los sistemas de gestión de ciudades inteligentes juegan un papel clave al presentar una conciencia situacional unificada a los operadores con una única interfaz de usuario que gestiona numerosos subsistemas entre bastidores. Estos sistemas proporcionan módulos RBE (Rule Base Engine) o BPM (Business Process Management) para filtrar el ruido generado por los sensores y permitir que solo una pequeña parte de las detecciones generadas por sensores activen eventos que se envían a los operadores para su manejo. En ambos casos, los gerentes de turno o las partes interesadas definen reglas que actúan como filtro verdadero/falso con una condición. Si se cumple una condición, el evento se genera y se envía al operador; de lo contrario, la detección del sensor se almacena en la base de datos para investigaciones y análisis post-mortem y no se presenta al operador para su manejo. La siguiente figura muestra el flujo de izquierda a derecha donde la regla procesa las detecciones generadas por sensores y, si corresponde, se transforman en eventos y se envían a los operadores.

 

 

Excelente! Ahora la cantidad de eventos generados en el sistema es mucho menor ya que solo las detecciones de sensores que cumplen con la condición de la regla se transforman en eventos, sin embargo, ¡podemos hacerlo aún mejor!

Los eventos generados contienen una parte de falsos positivos, es decir, eventos que cumplieron con la condición de la regla pero que los operadores manejaron como falsas alarmas. Al aplicar algoritmos de aprendizaje automático, podemos minimizar la cantidad de eventos falsos positivos a cero y al mismo tiempo mantener el mismo nivel de servicio para los ciudadanos. Una de esas soluciones es usar un motor de recomendación híbrido que usa metadatos del historial de eventos generados y comentarios del operador para recomendar ajustes a los atributos de las reglas para minimizar o incluso reducir por completo los falsos positivos a cero. Este copiloto produce recomendaciones no obligatorias para el jefe de turno sobre cómo puede ajustar el polígono de reglas, cambiar la programación de reglas o modificar los tipos de detección de sensores. Ejemplos de tales recomendaciones podrían ser los siguientes:

 

• Un sensor de contaminación de aire ubicado cerca del semáforo genera detecciones en la mañana ya que hay muchos camiones que salen cerca del estacionamiento y se detienen en la luz roja. Se sugiere cambiar la programación de la regla para omitir el rango de horas de 6 a 10 a. m.
• El análisis de movimiento de vehículos está configurado en la cámara para detectar la eliminación ilegal de desechos de basura. Esta cámara genera muchas detecciones de falsas alarmas. Se sugiere cambiar el tipo de detección del sensor de cualquier vehículo a camiones o furgonetas únicamente.
• Los vehículos de transporte público activan numerosas detecciones cuando salen de su polígono de ruta predefinido. Esto está sucediendo debido a obras en la carretera que podrían demorar un tiempo. Se recomienda ampliar el polígono de la regla para incluir el área desviada.
• Un centro de llamadas de participación ciudadana genera detecciones repetitivas probablemente causadas por bromas. Se recomienda disminuir la prioridad del evento de alta a media.
• Waze/Google Maps genera muchas detecciones de atascos de tráfico después de los partidos de fútbol. Se sugiere fusionar todos los eventos generados del tipo gema de tráfico en un solo evento.

 

Al construir una solución de este tipo, se puede utilizar la IA (Inteligencia Artificial) generativa para simular la detección de sensores y usar estos datos sintéticos para entrenar y validar los algoritmos. Después de la implementación en el entorno de producción, el sistema continuará con sus ciclos de aprendizaje y ajuste, en función de los casos de uso específicos del cliente. Una vez ajustado para recomendar sugerencias para casos de uso específicos del cliente, el sistema también podrá predecir o pronosticar eventos que podrían desencadenarse en el futuro, pero esa es una historia para otro artículo.