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’ubicacions de carregadors de vehicles elèctrics

Client

Cofinançat per la UE en el marc del Programa de Recerca i Innovació H2020

Partners

El problema

Les autoritats públiques i els actors privats s’enfronten a la difícil tasca de desplegar una infraestructura de recàrrega completa sense tenir la certesa de la demanda específica de cada zona.

eCharge4Drivers millora l’experiència de recàrrega dels vehicles elèctrics en zones urbanes i en corredors interurbans, fent que sigui més còmode per als usuaris optar per la mobilitat sostenible. El projecte demostra noves tecnologies i serveis per millorar l’experiència dels conductors abans, durant i després de la recàrrega del seu vehicle elèctric.

Mosaic Factor hi ha contribuït principalment amb l’estudi inicial de les necessitats i preferències dels usuaris, coordinant el disseny i la descripció dels requisits dels diferents serveis, així com amb la integració i el desenvolupament de l’Eina de Planificació d’Ubicacions de Punts de Càrrega (LPT) per garantir la combinació òptima d’opcions de recàrrega que cobreixin les necessitats dels usuaris.

La solució

eCharge4Drivers millora substancialment l’experiència de recàrrega dels vehicles elèctrics dins de les ciutats i en trajectes de llarga distància.
La nostra Eina de Planificació d’Ubicacions permet a les administracions públiques o empreses privades planificar el desplegament futur de la infraestructura de recàrrega en les ubicacions adequades.

La plataforma integra els models de demanda i ubicació per oferir una eina web que permet a les autoritats introduir dades específiques d’ubicació i interactuar amb l’eina ajustant paràmetres per a diferents simulacions.

Tecnologies:

    • Estacions d’intercanvi de bateries per a LEV
    • ISO15118 Plug and Charge
    • Estacions de recàrrega multi-sòcol amb capacitat V2G
    • Estacions de recàrrega modulars i d’alta potència amb disseny fàcil d’utilitzar

Serveis:

  • Planificador de rutes
  • Servei de reserva
  • Recàrrega intel·ligent

Eines de decisió:

  • Eina de Planificació d’Ubicacions de Punts de Càrrega i preus per a un creixement sostenible de l’e-mobilitat

La plataforma dona suport a les autoritats locals i altres agents clau proporcionant informació rellevant sobre:
la cobertura prevista de la infraestructura de recàrrega segons les necessitats dels usuaris de vehicles elèctrics,
la planificació de com es cobrirà el creixement previst de l’ús dels vehicles elèctrics,
els pressupostos d’inversió requerits, donant així suport en la presa de decisions.

L’eina integra anàlisi de dades massives (big data analytics) utilitzant dades d’ús en temps real de CPOs, eMSPs i operadors d’aparcaments. Està composta per diferents elements integrats en una eina web fàcil d’utilitzar, accessible mitjançant una interfície gràfica.

Model de demanda: dades històriques de recàrrega i indicadors sociodemogràfics, de mobilitat i d’activitat ambiental proporcionats per diferents ubicacions (12 països).

Algorisme de Machine Learning: el model de regressió ajusta les dades per predir la demanda esperada en una ubicació (quantitat de kWh carregats per dia).

El model de demanda utilitza informació geogràfica i demogràfica disponible d’una àrea seleccionada, incloent-hi informació sobre la infraestructura de recàrrega existent i el seu ús. A través de la interfície d’usuari, es poden carregar dades i ajustar paràmetres, com ara el període temporal previst per analitzar o les hipòtesis de creixement del parc de vehicles elèctrics. Amb aquestes dades, el model calcula la demanda d’energia distribuïda sobre l’àrea escollida.

Aquesta demanda s’utilitza posteriorment per l’algorisme d’optimització i planificació d’ubicacions per calcular les ubicacions futures requerides dels punts de recàrrega.

Dades

Les fonts de dades que vam utilitzar per dissenyar el model predictiu inclouen:

    • Geometria de l’àrea i de les subàrees
    • Dades sociodemogràfiques de cada subàrea
    • Punts de recàrrega existents
    • Punts de recàrrega planificats
    • Punts de recàrrega candidats
    • Dades històriques de sessions de recàrrega

Resultats

L’eina s’ha desenvolupat i provat en 3 ubicacions diferents i a diverses escales geogràfiques:

  • el país de Luxemburg,
  • la ciutat de Barcelona,
  • i una localitat del nord muntanyós d’Itàlia (Val Trompia).

Gràcies a l’ús d’aquestes tres àrees tan diferents, tant pel que fa a la geografia com a la demografia i al grau de maduresa en l’ús del vehicle elèctric, hem pogut dissenyar una eina flexible i replicable per a diversos tipus d’ubicacions.

L’eina permet als planificadors urbans i als CPO visualitzar en un mapa la ubicació òptima per afegir nous punts de recàrrega, tenint en compte el cost i la cobertura de la demanda estudiada a cada zona.

Accedeix a la LPT aquí: https://echarge4drivers.web.app/
Repercussió mediàtica fins ara: https://echarge4drivers.eu/news-events/

Tens alguna pregunta?

Sempre estem disposats a ajudar-vos i respondre a les vostres preguntes.





    *Els camps marcats amb un asterisc són obligatoris.