Skip to content
nxtinno

Prípadová štúdia

IoT a energetická dátová platforma

Návrh dátovej ingestie a analytických workflowov pre distribuované merače a senzory, vrátane integrácie zariadení, dát v časových radoch, automatizácie, dashboardov, detekcie anomálií a AI-asistovaných insightov.

  • MQTT
  • Databáza časových radov
  • Node.js
  • Automatizácia

Kontext

Prostredie v energetike s distribuovanými meračmi a senzormi, ktoré produkujú nepretržité merania a z ktorých sa mali stať dashboardy, upozornenia a rozhodnutia, nie iba surové dáta.

Výzva

Dáta zo zariadení prichádzali cez rôznorodé protokoly s medzerami, duplicitami a oneskorenými odpočtami. Premeniť ich na dôveryhodné časové rady – a následne na automatizovaný insight – si vyžadovalo architektúru, nie ďalší nástroj na dashboardy.

Obmedzenia

  • rôznorodé zariadenia a protokoly v teréne
  • nespoľahlivá konektivita s oneskorenými a duplicitnými odpočtami
  • objemy časových radov, ktoré rastú nepretržite a nikdy neprestanú
  • prevádzkoví používatelia, ktorí potrebujú upozornenia, ktorým sa dá veriť

Prístup

  • Navrhol som integračnú vrstvu zariadení, ktorá normalizovala protokoly a znášala výpadky spojenia bez straty odpočtov.
  • Merania som modeloval ako časové rady s explicitnými príznakmi kvality, aby nadväzujúca analytika vedela, na čom stojí.
  • Postavil som automatizačné workflowy pre upozornenia podľa prahov a anomálií, pričom pri fyzických dôsledkoch potvrdzuje zásah človek.
  • Nad overenými dátami som navrstvil AI-asistovanú analýzu – generovanie insightov až po tom, ako bola deterministická pipeline spoľahlivá.

Architektúra

Ingestia zariadení cez MQTT do úložiska časových radov, stream processing pre validáciu a upozornenia, workflow automatizácia pre prevádzku a analytická vrstva poskytujúca AI-asistované insighty nad overenými dátami.

Produkčný RAG a agentický workflowZdrojové systémydokumenty · dáta · APIIngestianormalizácia · delenieRetrievalhybridný · filtrovanýModel + nástrojeMCP · ohraničený prístupGuardrailyevaluácia · schválenieSpoľahlivý výstupsledovaný · ozdrojovaný
Zhrnutie diagramu: zdrojové systémy napájajú pipeline ingestie a delenia na časti; retrieval a zostavenie kontextu ukotvia model, ktorý koná cez ohraničené MCP nástroje; evaluácia a guardraily sledujú každý krok skôr, než sa odpoveď alebo zásah dostane k používateľovi.

Kľúčové rozhodnutia

  • kvalita dát explicitne v modeli namiesto predpokladu
  • najprv deterministická pipeline, až potom AI-asistovaný insight
  • automatizácia s ľudským potvrdením pri zásahoch s fyzickými dôsledkami

Detaily sú anonymizované. Ďalší kontext je dostupný pod NDA.

Súvisiaca expertíza

Zaujíma vás, čo by AI dokázala vo vašej firme?

Prineste otázky – aj tie, ktoré vám pripadajú príliš základné. Za 30 minút si prejdeme, ako dnes pracujete, vyberieme úlohu s najväčším prínosom a načrtneme, čo by jej otestovanie obnášalo. Žiadne presviedčanie, žiadny záväzok.