DILCE

Detección de inconsistencia en la toma de lecturas de consumo eléctrico

Hasta

0 %

de la volumetría de la ruta seleccionada

En donde se da prioridad a la escogencia de clientes con anomalías registradas

Mediante Machine Learning

Funciona por medio de una metodología Backpropagation algorithm optimizado con Adam, se realiza la clasificación de los usuarios con anomalías de lectura. 

En este se busca el valor mínimo de la función de error en el espacio de peso mediante una técnica llamada descenso de gradiente o regla delta. Las ponderaciones que minimizan la función de error se consideran una solución al problema de aprendizaje.

El problema radica cuando son muchas muestras que hay que revisar por parte de los directores de laboratorios, cuando CAMILLE detecta una anomalía marca la intercepción del canal y el paciente específico, donde se debe revisar para tomar la decisión.  

Listo para ?

Ponte en contacto con nuestros especialistas, nos encantaría comprender los datos de tu negocio y ayudarte a visualizar lo que es posible hacer con ellos.