Data Enhanced Products

Mitjançant diferents fonts de dades (com ara proves físiques) i models de ML, i habitualment en combinació amb les nostres solucions de *digital twin*, la nostra solució de millora de dades pot aprendre, predir i simular resultats per oferir configuracions automàtiques de producte que permetin millorar els productes i components durant el procés de desenvolupament.

Veure solution

Data As a Service Products

Data as a Service (DaaS) és un model basat en el núvol que permet a les empreses accedir, gestionar i analitzar dades sota demanda, sense necessitat de disposar d’una infraestructura local extensa.

Veure solution

Models d’optimització

Els models d’IA d’optimització permeten als nostres clients millorar processos, reduir costos i augmentar la competitivitat.

Veure solution

Models Descriptius

Els models descriptius tenen com a objectiu descriure patrons, relacions i estructures dins de les dades. No prediuen resultats futurs, però proporcionen informació sobre els fenòmens existents.

Veure solution

Models Predictius

El modelatge predictiu, també conegut com a anàlisi predictiva, és una disciplina que utilitza tècniques estadístiques, matemàtiques i d’intel·ligència artificial per predir resultats futurs basats en dades històriques.

Veure solution

LLMs

A Mosaic Factor, ens centrem en la creació de LLM específics de sector (o models lingüístics lleugers) per a les nostres organitzacions clientes.

Veure solution

Dades sintètiques

Les dades sintètiques són dades artificials generades a partir de dades originals mitjançant un model entrenat per reproduir-ne les característiques i l’estructura.

Veure solution

Digital Twins

Per supervisar i optimitzar els actius de l’empresa en temps real, Mosaic Factor utilitza Digital Twins. Aquests poden predir fallades, detectar ineficiències i millorar la presa de decisions mitjançant l’ús de dades.

Veure solution

Manteniment Predictiu

Per als models de manteniment predictiu, utilitzem tant dades històriques com dades en temps real per anticipar fallades dels equips o necessitats de manteniment. En analitzar les dades dels sensors, els registres de manteniment i altra informació rellevant, podem programar el manteniment de manera proactiva, reduir el temps d’inactivitat i prolongar la vida útil de la maquinària.

Veure solution

Previsió de Demanda i Cost

Els nostres models predictius ajuden les empreses a pronosticar la demanda de productes o serveis. Mitjançant l’anàlisi de les dades històriques de vendes, l’estacionalitat, els factors econòmics i els esdeveniments externs, podem optimitzar els nivells d’inventari, assignar els recursos de manera eficient i minimitzar l’excés d’estocs o els desproveïments.

Veure solution

Quality Analytics

Identifiquem patrons que es correlacionen amb defectes o problemes de qualitat, cosa que permet a les empreses prendre mesures correctives amb antelació i mantenir alts estàndards de qualitat.

Veure solution

Inventory Management

Utilitzem models predictius per optimitzar els nivells d’inventari tenint en compte factors com el temps de lliurament, la variabilitat de la demanda i els costos d’emmagatzematge.

Veure solution

Supply Chain Management

Podem utilitzar l’anàlisi de dades històriques i en temps real per gestionar la cadena de subministrament, optimitzar el transport i garantir el lliurament puntual dels productes.

Veure solution

Tendències de Mercat

Els nostres models predictius analitzen les dades del mercat, el comportament dels consumidors i els factors externs per comprendre els patrons, identificar tendències i anticipar canvis.

Veure solution

Market Understanding

Els nostres models descriptius d’IA proporcionen informació valuosa per a la presa de decisions i la comprensió dels sistemes complexos de les organitzacions.

Veure solution

Exploració de Patrons

Els nostres models descriptius d’IA proporcionen informació valuosa per a la presa de decisions i la comprensió dels sistemes complexos de les organitzacions.

Veure solution

Trustworthy AI

En integrar models d’IA en entorns on els estàndards de compliance són importants, Mosaic Factor ajuda les empreses a gestionar la governança de dades mitjançant l’aplicació de solucions Trustworthy AI.

Veure solution

Logística

La prioritat més gran de Mosaic Factor en logística és compartir dades clau entre els diferents actors de la cadena de subministrament per optimitzar el rendiment i gestionar la sostenibilitat, mitigant l’impacte d’aquestes operacions.

Veure industry

Automoció

Mosaic Factor aplica solucions d’IA en diversos àmbits de la indústria de l’automoció, generalment millorant els vehicles i els seus components durant el seu desenvolupament.

Veure industry

Mobility

La prioritat més gran de Mosaic Factor en Mobilitat és optimitzar els sistemes de transport per a la mobilitat de les persones, millorant alhora la seguretat general i la sostenibilitat de les solucions de transport.

Veure industry

Corporate Services

El nostre aprenentatge automàtic i els algoritmes complexos ajuden les organitzacions a gestionar el compliment normatiu i el servei al client per augmentar el nivell de servei de la seva organització, alhora que optimitzen el temps de resolució de diversos processos.

Veure industry

Indústria

La prioritat més gran de Mosaic Factor en el sector de la fabricació és ajudar els nostres clients a reduir costos, augmentar la sostenibilitat i optimitzar la cadena de producció.

Veure industry

Healthcare

La prioritat més gran de Mosaic Factor en el sector sanitari és fer ús de les dades per millorar l’atenció i el seguiment dels pacients de manera segura, optimitzar els recursos dels sistemes de salut i facilitar la tasca dels professionals sanitaris.

Veure industry

Eina de planificació d’ubicació de punts de càrrega

Tenim els desenvolupaments finals del projecte d’innovació eCharge4Drivers: hem rebut comentaris durant la reunió final del projecte a Barcelona i sembla que la nostra eina de planificació d’ubicació de punts de càrrega per a vehicles elèctrics ha estat útil i ha generat resultats positius a través dels seus llocs de prova a Barcelona (amb el soci B:SM), Luxemburg (amb CPOs) i al nord rural d’Itàlia —part del corredor de la Xarxa Transeuropea de Transport (TEN-T)— (validada per les autoritats públiques).

L’eina de planificació d’ubicació de punts de càrrega per a vehicles elèctrics inclou dades sociodemogràfiques, fluxos de mobilitat i dades de sessions de càrrega de punts existents per predir necessitats futures de punts de càrrega, tant lents com ràpids, d’acord amb escenaris que consideren l’adopció prevista dels vehicles elèctrics. L’eina es va presentar a grups d’usuaris objectiu, principalment autoritats públiques interessades en la col·locació efectiva i eficient dels punts de càrrega. Els seus comentaris han estat positius, especialment perquè els ajuda a determinar quins emplaçaments prioritzar i on desplegar nous carregadors.

D’altra banda, els usuaris han identificat diferents beneficis a partir de les demostracions de l’eina.

  1. Facilita la presa de decisions informades permetent als usuaris prendre decisions basades en dades a l’hora de planificar la infraestructura de càrrega, millorant clarament els mètodes tradicionals basats en la intuïció.
  2. L’eina també assegura l’eficiència en l’assignació de recursos centrant-se en les ubicacions amb més potencial per a nous punts de càrrega i estimant taxes d’ús i rendibilitat.
  3. També millora la satisfacció dels conductors de vehicles elèctrics augmentant la disponibilitat de punts de càrrega a les zones amb més demanda.
  4. Finalment, l’eina dona suport a la planificació a llarg termini simulant escenaris de tres a cinc anys, aportant confiança per a futurs desenvolupaments.

Tot i això, durant la reunió final del projecte es van destacar recomanacions per a responsables polítics i inversors per orientar futurs esforços i inversions en infraestructures de càrrega. Les experiències dels socis del projecte i una enquesta europea a autoritats públiques i operadors van assenyalar:

  • la necessitat de guies de disseny adaptades,
  • connexions de xarxa millorades,
  • processos de planificació més àgils,
  • la importància de la interoperabilitat,
  • interfícies fàcils d’utilitzar,
  • i suport polític per maximitzar l’impacte i l’accessibilitat de les solucions innovadores de mobilitat elèctrica.

De cara al futur, després de la finalització del projecte, esperem reutilitzar i possiblement escalar el concepte del producte. Els nostres esforços d’escalabilitat i explotació per a aquesta eina se centraran en:

  1. Anàlisi de mercat i negoci per avaluar l’encaix en d’altres ubicacions i organitzacions d’Europa dins de l’ecosistema dels vehicles elèctrics.
  2. Contacte i plans d’implementació per reutilitzar el concepte de l’Eina de Planificació d’Ubicació a nivell d’R+D en les ubicacions i organitzacions identificades, en col·laboració amb els socis del desenvolupament del model.
  3. Recollida de resultats per avaluar la validació del pla de desplegament europeu en les ubicacions i organitzacions preidentificades i planificar possibles escales futures a altres regions fora de la UE.
  4. Avaluació de diferents casos d’ús en què el producte podria escalar-se en mercats fora de l’àmbit del vehicle elèctric on l’aplicabilitat és rellevant (per exemple, vehicles d’hidrogen).

La plataforma de simulació

Durant el projecte, primer vam analitzar les necessitats dels conductors de vehicles elèctrics en relació amb la càrrega, la qual cosa va donar com a resultat la solució que vam dissenyar i integrar: l’Eina de Planificació d’Ubicació.

Aquesta eina s’ha utilitzat i validat en tres tipus d’àrees durant el projecte:

  1. Un petit poble en un entorn rural sense vehicles elèctrics (Val Trompia, al nord d’Itàlia). Les autoritats públiques van validar l’eina.
  2. Una ciutat, Barcelona. Una empresa ha validat l’eina: B:SM (Barcelona de Serveis Municipals).
  3. Un país, Luxemburg, on els CPOs l’han validada.

Aquesta triple validació de l’eina ha demostrat ser valuosa per il·lustrar el potencial i les capacitats del nostre enfocament de combinar anàlisi de Big Data amb ús en temps real per permetre que les administracions públiques i les empreses privades planifiquin el desplegament futur d’infraestructures de càrrega als llocs adequats.

→ Consulta la nostra solució de Models Predictius