En este caso de éxito se ha trabajado en el estudio y valoración de ciertos activos intangibles de nuestro cliente basados en inteligencia artificial, en concreto en análisis predictivo de desgaste de vías ferroviarias, asi como el modelado de los algoritmos y alineamiento de datos de geoposicionamiento. En este caso resolvimos presentar el Dictamen que recoge el resultado de las diligencias que se demandaban, determinar el valor económico del desarrollo y la repartición de propiedad entre los socios fundadores. Modelo predictivo #IA
El alcance de esta valoración pericial se baso en analizar el ciclo de vida del proyecto y estimar, mediante la información obtenida del cliente, una estimación cuantitativa y cualitativa de distribución de porcentajes de propiedad en base al esfuerzo y aporte de valor de cada parte que ha colaborado en el proyecto en cualquiera de sus fases.
Para ello nos desplazamos a la sede del cliente en Madrid donde nos reunimos con los responsables del proyecto para ver in-situ el estado de los desarrollos del proyecto, así como analizar el volumen e importancia de los desarrollos, documentos de trabajo, actas y emails intercambiados, reflexionando sobre la aportación de las partes al activo.
Es importante subrayar que la valoración de un proyecto informático se debe considerar por un lado el esfuerzo en horas y dedicación al mismo pero no es suficiente si únicamente tenemos en cuenta esta cuestión puesto que estaríamos perdiendo perspectiva de las siguientes variables:
Solo la combinación lógica de estas tres variables puede darnos una distribución aceptable de la propiedad de un desarrollo. Nuestra experiencia con cientos de valoraciones enfocadas a diferentes aspectos como la entrada de socios, aportación como activo no dinerario a una sociedad, concursos de acreedores, distribución de acciones, etc utilizando diferentes metodologías de valoración que tienen siempre en cuenta no solo el número de horas de dicado por cada parte sino otras variables como las comentadas.
Para realizar este análisis nos basamos en los datos recopilados sobre el activo, así como toda la documentación solicitada, en concreto:
El modelo de inteligencia artificial predictivo funciona siempre y cuando los datos tomados de cada segmento de la vía en instantes de tiempo sucesivos estén alineados, en las 3 dimensiones, incluyendo variables bigdata como puede ser los factores medioambientales.
Fundamentalmente para este sistema que es capaz de realizar predicciones basadas en inteligencia artificial sobre el desgaste de las vías de ferrocarriles se deben tener en cuenta los diferentes módulos que lo forman:
Dado un origen y un destino en vía ferroviaria es capaz de calcular la ruta entre un origen y destino, no solo en latitud y longitud, sino altitud, bajo una serie de premisas. La tecnología principalmente utilizada es XXXXX, estableciendo una estación origen y destino recoge toda la ruta por la que viaja el tren, da una secuencia conexa de puntos. Estamos ante un potente algoritmo de optimización de ruta. Genera una matriz de N x M x K de todos los segmentos y en base a las conexiones, los de menor peso, utilizando un conocido algoritmo. Se utiliza OpenStreetMap para resolver el problema de la latitud.
Ciertos modelos predictivos dependen de la información meteorológica y forma parte de un módulo de degradación. Con Openweather se conoce por cada punto cuales son las estaciones meteorológicas más cercanas a esos puntos de vías.
Se recoge de un tren que analiza el terreno mucha información, pero con un cierto nivel de ruido en los datos recogidos. Desarrollado en Phyton el core es el alineamiento de los nuevos puntos de medición y sus variables con los otros ya almacenados. La evolución del punto no se podría analizar sin el alineamiento previo.
Se predice el comportamiento, desgaste e incidencias de la via basado en módulos físicos y modelado solido (fuerzas que unen componentes, componente,…). Hay información de las piezas del tren que les da el fabricante y otra que complementan ellos.
Gracias a su amplia experiencia con fabricantes de trenes han podido determinar cuál es el modelo exacto para modelarlo y detectar riesgos y problemas, siempre orientados a adelantar la fabricación y los problemas en el diseño.
Se compara lo que dice el modelo con lo que dice la realidad y se establece una fase de calibración para predecir que pasara si se incluye más velocidad, más trenes, mantenimiento, etc.
Este módulo busca una solución factible a las tareas de mantenimiento que se calculan e integran en el sistema, permitiendo tener un calendario de tareas, recursos y acciones de manera automatizada reduciendo el tiempo dedicado a planificar esta tarea (varios días al mes) en apenas segundos.
Gestiona las tareas preventivas y correctivas junto con recursos necesarios y la disponibilidad de estos recursos, se da una solución posible óptima.
El valor del proyecto se calculo no solo en el reporte de horas, valor cuantitativo, sino en el valor de esas horas, tasación cualitativa y la combinación de ambas, asignando una propiedad ponderada lo mas objetiva posible a cada participante del proyecto.
En este trabajo determinamos los porcentajes de trabajo aportado por cada una de las partes a este proyecto #IA #AI donde el párrafo final podría resumirse en lo siguiente:
“Consideramos que XXXX no solo ha tenido un peso específico clave en la definición, requisitos y pilotaje del proyecto, sino que su aporte de valor, conocimiento y horas dedicadas supone la práctica totalidad del mismo. Es por ello que una distribución del XX%-XX% supone una acertada distribución que define bien quien ha aportado valor y esfuerzo al mismo, debido a que en este proyecto la importancia está en el diseño de sistemas avanzados y no tanto en la interfaz gráfica. Por ello consideramos que XXX es propietario de un XX%, YYYYYYYY un YY% y ZZZZZZ un ZZ%.”
