ProyectoReact Front-End
Vista de producción en tiempo real con pronósticos de término
Vista en tiempo real de tres máquinas críticas con detalle por máquina, pronóstico de término y alertas que protegen las fechas de entrega.
Stack
- React.js
- Streamlit
- Support Vector Machine (SVM)
- Python
- Pandas
- DynamoDB
- Kinesis
- SQS
- +8
01 · Cómo funciona
- HoyaModificado en este trabajo
- Flujo de datos
Qué hace
Una vista de producción en tiempo real de tres máquinas críticas (un láser, una máquina CNC y un robot de soldadura), que muestra unidades producidas, tiempo de ciclo, paradas y energía a medida que ocurren. Desde la vista general, cada máquina abre su propio tablero detallado, y un modelo entrenado con el historial pronostica cuándo terminará cada proyecto.
Leer más
Construí el pipeline de streaming, los tableros, el modelo de pronóstico y las alertas que avisan por correo a las personas indicadas cuando un pronóstico se retrasa o las paradas aumentan.
7 conexiones· elige un componente para ver su recorrido
- Máquinas de producción a Flujo de datos + cola: unidades, ciclo, paradas
- Flujo de datos + cola a Almacén NoSQL: lecturas procesadas
- Almacén NoSQL a Tablero en tiempo real: métricas en tiempo real
- Tablero en tiempo real a Microtableros de máquina: detalle por máquina
- Almacén NoSQL a Modelo SVM de término: proyectos históricos
- Modelo SVM de término a Tablero en tiempo real: término pronosticado
- Modelo SVM de término a Alertas por correo: pronóstico superado
02Qué logró
Resultado
- Visibilidad: métricas de producción en tiempo real de tres máquinas críticas, con detalle por máquina
- Entrega: pronósticos de tiempo de término por proyecto a partir de un modelo entrenado con el historial
Leer más
- Respuesta: alertas por correo cuando un proyecto supera su pronóstico o las paradas aumentan
- Análisis: filtros por máquina, rango de fechas y tipo de proyecto para una revisión enfocada
El desafío
El monitoreo en tiempo real es, antes que nada, un problema de flujo de datos: las lecturas de varias máquinas debían pasar por una cola, procesarse, almacenarse y llegar al tablero sin huecos. La vista general y las vistas detalladas por máquina se construyeron con herramientas distintas, así que tenían que compartir datos y contexto de forma limpia.
Leer más
El pronóstico fue la parte más difícil. Predecir el tiempo de término exigió una limpieza de datos cuidadosa, ingeniería de variables y ajuste antes de que sus estimaciones fueran lo bastante buenas para disparar alertas que la gente realmente atendiera. Los filtros por máquina, rango de fechas y tipo de proyecto debían mantener las vistas enfocadas sin ocultar el panorama general.
Qué aprendí
Un tablero en tiempo real no vale más que el pipeline que lo sostiene; el diseño del streaming y del almacenamiento decidió qué podían mostrar las pantallas. Combinar una vista general rápida con vistas profundas por máquina funcionó porque cada herramienta hizo lo que mejor sabe hacer.
Leer más
Un pronóstico se vuelve valioso cuando logra cambiar el comportamiento: enlazar las predicciones con alertas convirtió un modelo en una alerta temprana de entregas atrasadas.
Stack
- React.js
- Streamlit
- Support Vector Machine (SVM)
- Python
- Pandas
- DynamoDB
- Kinesis
- SQS
- Lambda
- SageMaker
- CloudWatch
- AWS S3
- API Gateway
- AWS CodeCommit
- AWS Amplify
- AWS Cognito
Habilidades
- Pipelines de datos en tiempo real
- Tableros operativos
- Modelado predictivo
- Diseño de alertas
- Arquitectura en la nube
