AI Operations Intelligence

AI Operations Intelligence es el componente analítico de Operational Health Matrix, concebido para elevar la calidad de la explotación mediante el análisis inteligente de los datos acumulados.

La AI no toma decisiones de explotación por sí sola.

Todas las recomendaciones se consideran un apoyo experto para el ingeniero y requieren la confirmación del usuario.

Este enfoque garantiza el cumplimiento de los principios de transparencia, reproducibilidad y controlabilidad de las infraestructuras críticas.

Principios de diseño

El componente de AI se apoya en los siguientes principios:

• recomendaciones explicables;
• persona en el circuito (Human-in-the-Loop);
• workflow operativo determinista;
• soporte a la decisión trazable;
• analítica no destructiva.

Ninguna recomendación de la inteligencia artificial modifica un Operational Issue de forma automática.

Operational Issues similares

Cuando se registra un nuevo Operational Issue, el sistema busca automáticamente casos similares.

La comparación se realiza según los siguientes parámetros:

• el Canon del Issue;
• el tipo de equipo;
• la versión de firmware;
• la configuración;
• la región;
• las condiciones de explotación;
• la Root Cause;
• la solución aplicada;
• el resultado confirmado.

Al ingeniero se le muestran los casos más relevantes junto con su grado de similitud.

Ordenación de las Root Cause

Cuando existen varias causas posibles, el sistema genera una lista ordenada de las Root Cause más probables.

Para cada causa se muestran:

• la probabilidad;
• las Evidence que la respaldan;
• los casos similares;
• las comprobaciones recomendadas;
• el impacto previsto.

La determinación definitiva de la Root Cause corresponde al ingeniero.

Mantenimiento predictivo

A partir de los datos históricos, el sistema identifica los equipos con una probabilidad elevada de sufrir problemas de explotación.

El pronóstico puede tener en cuenta:

• la velocidad de degradación del Health Score;
• la recurrencia de los problemas canónicos;
• las estadísticas de reparaciones;
• la antigüedad del equipo;
• la estabilidad de la comunicación;
• los factores estacionales;
• la intensidad de explotación.

El resultado es una recomendación de realizar un mantenimiento preventivo.

Análisis de la deriva de los detectores

OHM supervisa de forma continua la eficacia de sus propios modelos analíticos.

Para cada Detector se analizan:

• la variación de Accuracy;
• la variación de Precision;
• la variación de Recall;
• el aumento de False Positives;
• el aumento de False Negatives;
• la variación de la Confidence Distribution.

Cuando se detecta una degradación, el Detector pasa al estado Requires Review.

Riesgos operativos emergentes

La AI analiza el conjunto completo de Operational Issues para detectar nuevas tendencias.

Por ejemplo:

• el aumento de fallos de un modelo de equipo concreto;
• el incremento del número de errores tras una actualización de firmware;
• el deterioro de la comunicación en una región determinada;
• el incremento del número de Root Cause idénticas.

Estos eventos se muestran como Emerging Risks.

Nivel de confianza de las recomendaciones

Cada recomendación va acompañada de un coeficiente de confianza.

Para reforzar la credibilidad, el ingeniero siempre ve:

• las Evidence utilizadas;
• los Operational Issues relacionados;
• los casos similares;
• una explicación del motivo de la recomendación.