Llegamos a ustedes gracias a:



Reportajes y análisis

10 startups atractivas de IoT impulsadas por IA

[03/10/2018] Las fábricas, plantas y fabricantes en general están adoptando a la Internet de las Cosas (IoT, por sus siglas en inglés), que a su vez está impulsando el uso de la inteligencia artificial al límite de las redes corporativas como una forma de simplificar los procesos industriales, mejorar la eficiencia y detectar temas de mantenimiento antes de que se conviertan en problemas -quizás incluso grandes problemas que podrían forzar el cierre de la fábrica.

El espacio de IoT impulsado por la inteligencia artificial ya tiene un par de startups unicornio, como Uptake con 258 millones de dólares en fondos y una valoración de 2,3 mil millones de dólares, y C3 IoT con 243 millones de dólares en fondos de capital de riesgo y valoración de 1,4 (o más) mil millones de dólares (la evaluación de C3 IoT no ha sido actualizada públicamente con su última ronda de financiación de 100M de dólares, por lo que su valoración es obsoleta y conservadora).

Al mismo tiempo, los operadores tradicionales como AWS, Dell y Cisco están invirtiendo miles de millones en IoT y Edge Computing. Recientemente, HPE invirtió cuatro mil millones de dólares en su "intelligent edge", mientras que Microsoft inyectó 6,5 mil millones de dólares en sus esfuerzos de IoT.

La competencia en este sector es brutal, pero la oportunidad es lo suficientemente grande como para que las 10 startups destacadas aquí todavía tengan espacio para maniobrar y tiempo para escalar. Vigílelas, pues una o más podrían ser el próximo unicornio en este atractivo mercado.

Alluvium

Qué hacen: Proporcionan una plataforma de analítica de IoT que convierte flujos de datos complejos en información simple y en tiempo real.

CEO: Drew Conway, quien también cofundó DataKind, una organización sin fines de lucro global, y es coautor de Machine Learning for Hackers.

Problema que resuelven: Las operaciones industriales recopilan más datos sin procesar de lo que los operadores expertos pueden observar y analizar manualmente por sí mismos. Puede ser difícil determinar qué datos son importantes y cuáles son solo ruido. Es fácil pasar por alto los puntos pequeños pero significativos, lo que puede llevar a un rendimiento inferior, tiempo de inactividad e incluso incidentes de seguridad. Perderse señales importantes dentro del ruido termina siendo costoso para una operación industrial, tanto en términos de pérdidas monetarias como de productividad.

Cómo lo resuelven: Aprovechando el aprendizaje automático y la IA, Alluvium ayuda a las empresas industriales a lograr la estabilidad operativa y mejorar su producción. El producto insignia de Alluvium, Primer, utiliza el aprendizaje automático para ayudar a las empresas a sintetizar flujos complejos y masivos de datos no procesados de sensores y producción, y volverlos conocimientos útiles.

Los equipos industriales pueden navegar rápidamente entre los datos para identificar dónde y cuándo se producen las desviaciones, determinar la fuente del problema y decidir qué medidas tomar. Primero crea un análisis de puntaje de estabilidad basado en datos recopilados extraídos de cualquier período de tiempo -desde ayer en la noche hasta, por ejemplo, el año pasado. Primer ayuda a los operadores a identificar anomalías de sensores, máquinas individuales o instalaciones completas para realizar los cambios necesarios para que las operaciones funcionen sin problemas.

Los competidores incluyen: OSIsoft, C3 IoT, Uptake, Foghorn, Presenso, Falkonry y Manna

Los clientes incluyen: Al momento de la publicación, Alluvium no tenía clientes dispuestos a dejar constancia.

Por qué es una startup atractiva: Alluvium ha bloqueado cuatro millones de dólares en fondos iniciales, y aunque su equipo es pequeño y un poco verde (no es inusual para una startup temprana), Alluvium ha entrado en un espacio de alto crecimiento, pero confuso. En un mercado tan ruidoso, el enfoque de Alluvium es la simplicidad. Alluvium reduce los datos generados a partir de sistemas de producción complejos en un conjunto de métricas que las personas no expertas pueden entender. El "Puntaje de estabilidad" resultante proporciona puntos de datos a simple vista que los operadores pueden usar para rastrear fácilmente las variables clave que podrían evitar que cumplan los objetivos comerciales.

Arundo Analytics

Qué hacen: Ayudan a las empresas industriales pesadas con activos físicos complejos a mejorar las operaciones mediante el aprendizaje automático y otras aplicaciones analíticas avanzadas

CEO: Tor Jakob Ramsøy, que anteriormente era socio principal de McKinsey & Company, donde dirigió las líneas de servicios tecnológicos para Global Energy Practice y EMEA Big Data/Advanced Analytics. Ramsøy también fue gerente de país de McKinsey Noruega y dirigió la Oficina de Tecnología Empresarial en Escandinavia.

Problema que resuelven: Las empresas industriales se enfrentan a desafíos únicos cuando intentan integrar el aprendizaje automático y otras aplicaciones analíticas avanzadas en sus operaciones diarias. Estos desafíos incluyen gestionar activos físicos complejos y altamente diseñados; tratar con capas sobre capas de equipos e instrumentación que se ha acumulado durante muchas décadas; y hacer frente a los diferentes niveles de sistemas de control, sistemas ERP y almacenes de datos que a menudo se encuentran dispersos en múltiples compañías operativas, subsidiarias, entidades adquiridas e incluso proveedores externos.

Con esa gran complejidad, la ingesta de datos en vivo y su transmisión a un sistema de aprendizaje automático de alta disponibilidad basado en la nube o en edge, no es una tarea fácil. Aún más difícil es sacar los modelos basados en esos datos de manera oportuna, para que así puedan informar las decisiones comerciales.

Una vez que se logra, aún se debe descubrir cómo escalar las aplicaciones de aprendizaje automático de un puñado de modelos a docenas o cientos de modelos en los numerosos activos y casos de uso de una operación industrial típica.

Cómo lo resuelven: Arundo Analytics automatiza los desafíos de extremo a extremo que surgen cuando las grandes compañías industriales de petróleo y gas, energía y transporte, intentan utilizar analítica de vanguardia para tomar decisiones comerciales diarias.

Arundo aplica el aprendizaje automático y la analítica avanzada a las entradas edge de datos, integrando esas entradas en las operaciones empresariales diarias y escalando estas aplicaciones en toda la empresa. Arundo ayuda a las empresas a implementar modelos de aprendizaje automático en la nube para crear aplicaciones de software de nivel empresarial, que luego la plataforma administra.

Arundo también ofrece aplicaciones configurables e innovadoras para los desafíos industriales más comunes, incluida la monitorización del estado del equipo, la detección de anomalías del sistema y un medidor de flujo multifásico virtual, que la startup desarrolló y comercializa conjuntamente con la empresa de tecnología industrial global ABB.

Los competidores incluyen: GE Predix, Siemens Mindsphere, ABB Ability, C3IoT y Uptake

Los clientes incluyen: Equinor, AkerBP, Carnival Maritime, DNV GL e INEOS

Por qué es una startup atractiva: Arundo Analytics tiene la segunda mayor captura de capital de riesgo -35 millones de dólares- de todas las startups de este resumen. Su equipo de liderazgo ganó experiencia en McKinsey & Company, Aker Solutions, Siemens y otras empresas de alta tecnología y de enfoque industrial. Tienen una lista respetable de clientes precozmente registrados, y las aplicaciones industriales listas para usar de Arundo ayudan a los fabricantes a superar rápidamente los dolores de cabeza comunes, como la detección de anomalías.

Canvass Analytics

Qué hacen: Proporcionan una plataforma de analítica predictiva impulsada por inteligencia artificial para aplicaciones industriales.

CEO: Humera Malik. Anteriormente se desempeñó como directora ejecutiva de Quexor Group y directora de gestión de productos para Redknee.

Problema que resuelven: Los entornos industriales típicos son ricos en datos, pero de poca información. Los activos conectados y los procesos dinámicos de una planta pueden generar cientos y miles de puntos de datos por minuto, pero menos del 10% de estos datos se utilizan para obtener ideas o ayudar a la toma de decisiones.

En cambio, las decisiones se toman en base a la experiencia personal de los operadores y/o mediante el uso de herramientas desactualizadas que no pueden manejar datos voluminosos en constante cambio que provienen de una variedad de fuentes.

Cómo lo resuelven: Los modelos de datos de IA en tiempo real de Canvass Analytics identifican las tendencias para ayudar a los operadores a comprender las variables que afectan sus procesos industriales. La plataforma de IA Canvass responde a los cambios en los datos en tiempo real, proporcionando a los equipos de operaciones la información más actualizada para que puedan ajustar continuamente sus operaciones para mejorar la calidad, reducir el consumo de energía y optimizar la salud de los activos.

La plataforma de IA Canvass simplifica el desafío de procesar rápidamente volúmenes de datos grandes y complejos mediante el uso de inteligencia artificial, para automatizar todo el proceso de ciencia de datos. La plataforma destila los millones de puntos de datos generados por las máquinas industriales, los sensores y los sistemas operativos; e identifica los patrones y correlaciones escondidas en lo profundo de los datos, para crear nuevos conocimientos. Estos modelos de autoaprendizaje se adaptan a las nuevas condiciones en tiempo real, asegurando que las decisiones de los equipos de operaciones se realicen con la información más precisa posible.

Los competidores incluyen: GE Predix, IBM Watson, Uptake Noodle.ai

Los clientes incluyen: En el momento de la publicación, Canvass Analytics no tenía clientes dispuestos a dejar constancia.

Por qué es una startup atractiva: Como startup en etapa inicial, Canvass Analytics ha bloqueado dos rondas de financiación inicial para buscar a los primeros usuarios. El equipo de liderazgo obtuvo experiencia relevante en Quexor Group, Redknee, Bell Canada, NorthWest Energy y CHR Solutions. La compañía ha construido su plataforma para ingerir continuamente grandes volúmenes de datos en tiempo real, que su plataforma de inteligencia artificial utiliza para mejorar y luego automatizar los procesos operativos.

Falkonry

Qué hacen: Proporcionan software de aprendizaje automático para operaciones industriales

CEO: Nikunj Mehta. Antes de Falkonry, Mehta fue vicepresidente de éxito del cliente en C3 IoT. Antes de eso, estuvo en Oracle, donde dirigió el equipo que creó el estándar IndexedDB para bases de datos integrado en todos los navegadores modernos.

Problema que resuelven: Para competir globalmente, las empresas industriales deben mejorar la productividad de sus operaciones y/o adoptar nuevos modelos de negocios; y muchas empresas industriales están recurriendo a la analítica de datos para impulsar ese cambio.

Los datos generados en las operaciones de fabricación o proceso, especialmente los datos de series temporales, están repletos de información que puede proporcionar perspectivas accionables sobre el estado de los sistemas de producción y los productos creados.

Cómo se eligieron

El proceso de selección para esta roundup comenzó en mayo, al final de una competición anterior, pero estrechamente relacionada, con 10 Hot IoT startups a seguir.

La IA no era un criterio de selección clave entonces. Algunas empresas de nueva creación lo tenían, otras no, pero bastantes de ellas se centraron directamente en la IA, por lo que tenía sentido examinar más de cerca este subsector del mercado general de la IoT.

En este resumen se consideraron unas 20 empresas de los anteriores contendientes que tenían fuertes componentes de IA. El aviso de la búsqueda de candidatos se publicó en HARO, LinkedIn, Twitter, etc., y en total, se consideraron poco menos de 40 startups.

Once de ellos fueron eliminados porque ni la inteligencia artificial ni la IoT eran lo suficientemente importantes para lo que hacían. Los siguientes recortes fueron los más fáciles: se eliminaron las puestas en marcha que no cumplían con los plazos o no respondían a las preguntas (en lugar de ello, solo enviaban la lista de productos).

Eso dejó a 18 contendientes a reducirse a 10 que fueron elegidos en base a una combinación de financiación, propuesta de valor, la fuerza del equipo de liderazgo, la oportunidad de mercado, el ajuste de producto-mercado y los clientes nombrados.

El aprendizaje automático es ideal para analizar cantidades masivas de datos. Sin embargo, la contratación de consultores de ciencia de datos ha demostrado ser ineficaz, ya que carecen de la experiencia en materia de los equipos de operaciones y, como resultado, dichos proyectos pueden tardar más de un año en obtener resultados.

Cómo lo resuelven: Falkonry aplica el aprendizaje de funciones y el aprendizaje automático a datos de series temporales multivariables generados por los equipos y sistemas de producción en la mayoría de las operaciones discretas de fabricación y procesos industriales.

Dado el alto volumen y la cantidad de señales, la mayoría de los datos industriales no se utilizan en las operaciones actuales. El sistema operativo de aprendizaje automático de Falkonry es capaz de descubrir patrones ocultos en los datos que no pueden ser observados por humanos o analítica tradicional. Estos patrones, a su vez, proporcionan información sobre el estado operativo, e identifican las condiciones que preceden a los eventos no deseados para emitir advertencias tempranas. Dependiendo del proceso que se monitorea, tales advertencias tempranas pueden ocurrir con horas, días o incluso semanas de anticipación.

Falkonry dice que su sistema actúa como un "científico de datos en una caja", lo que significa que no se requieren científicos de datos, y puede ser rápidamente implementado por ingenieros de fabricación o ingenieros de procesos. Los clientes comienzan a obtener información procesable dentro de las tres semanas posteriores a la implementación del sistema, lo que podría ahorrar a las empresas millones de dólares al año.

Los competidores incluyen: Cylance, Alluvium, Presenso, Seeq, Sight Machin y SparkCognition

Los clientes incluyen: Toyota Industrial Equipment Manufacturing, Kawasaki Heavy Industries, Ternium, Ciner Resources y Energias de Portugal (EDP)

Por qué es una startup atractiva: Falkonry ha bloqueado casi 11 millones de dólares en financiación. El fundador y CEO, Nikunj Mehta, se desempeñó anteriormente como VP de Éxito de clientes en C3 IoT, una startup de IoT unicornio. Agregue una lista de clientes que incluya las divisiones industriales de Toyota y Kawasaki, y Falkonry fue una obviedad para este resumen.

Interactor

Qué hacen: Proporcionan una plataforma de Edge Computing que se conecta a cualquier sistema de inteligencia artificial

CEO: David Jung. Anteriormente fue un líder de ingeniería en Brocade y Cisco.

Problema que resuelven: A medida que la tendencia de IoT gana fuerza, la cantidad de datos generados se está volviendo tan grande que el procesamiento de IA en edge está pasando de ser una función de IoT deseable a una necesaria.

Sin embargo, procesar datos en edge es difícil porque los recursos informáticos están restringidos. Esta es la razón por la que tantos proveedores de IoT de IA intentan enviar datos a la nube primero, algo que no es práctico en muchas aplicaciones industriales.

Cómo lo resuelven: El software IoT Edge de Interactor permite a las empresas aplicar las últimas tecnologías de inteligencia artificial al borde, sin ningún esfuerzo de despliegue prolongado. Interactor actúa como un gateway de IoT de pequeña huella que se encuentra entre los dispositivos de borde y la nube. Interactor abstrae todos los componentes y microservicios necesarios para que las tecnologías interactúen o se integren entre sí en un ejecutable pequeño (de aproximadamente 50MB).

Usando Interactor, los desarrolladores y operadores pueden integrar fácilmente la IA de su elección, y aplicar la inteligencia más cerca de los dispositivos para tiempos de respuesta más rápidos.

El software IoT Edge de Interactor se puede ejecutar en cualquier gateway o servidor de IoT, e incluye configuraciones de dispositivos pre empaquetados, seguridad y autenticación, mensajería, visibilidad del dispositivo, registro y manejo de errores.

Los competidores incluyen: AWS Greengrass, Microsoft Azure Edge, EdgeX Foundry y PTC Kepware

Los clientes incluyen: Cisco, Panasonic, Gobierno de Malasia y MacroBlock

Por qué es una startup atractiva: Interactor no ha publicado detalles de su financiación, pero sus patrocinadores incluyen una firma de capital de riesgo y el Departamento de Seguridad Nacional. El CEO, David Jung, dirigió previamente equipos de ingeniería en Brocade y Cisco, y los clientes incluyen Cisco, Panasonic y el gobierno de Malasia. Su modelo de implementación de agregar un ejecutable pequeño a un gateway IoT elude la conectividad WAN y los problemas de la nube. Además, la IA puede aplicar cambios instantáneos a cualquier parte de una aplicación industrial sobre la marcha.

Petasense

Qué hacen: Desarrollan sensores IIoT y software de aprendizaje automático

CEO: Abhinav Khushraj. Anteriormente dirigió la estrategia y producto para Nokia en América del Norte

Problema que resuelven: Las compañías industriales desperdician recursos en tiempos de inactividad no planificados. Muchas plantas siguen desplegando empleados para caminar y recolectar datos de vibración cada mes, lo cual es ineficiente y a menudo falla al desarrollar rápidamente problemas que podrían obligarlos a cerrar el equipo y/o suspender las operaciones.

Cómo lo resuelven: Petasense proporciona sensores inalámbricos multiparamétricos que se comunican con el software basado en la nube, que luego utiliza algoritmos de aprendizaje automático para calcular el puntaje de salud de una máquina. El software predice eventos problemáticos futuros, evitando fallas en los equipos. Si un problema es apremiante, se envían alertas y diagnósticos en tiempo real al personal de la planta.

Petasense también recopila información sobre las relaciones dentro de los datos de proceso, por lo que, por ejemplo, cuando las condiciones de operación cambian, Petasense puede ver cuál es el impacto en la salud de la máquina.

Los competidores incluyen: GE, Emerson, SKF, Pruftechnik y Fluke

Los clientes incluyen: Silicon Valley Power, JLL, Cushman & Wakefield y Stanford CEF

Por qué es una startup atractiva: Petasense ha asegurado la financiación inicial y, más importante, ha ganado clientes con nombre en Silicon Valley Power, JLL y otros. El cofundador y CEO, Abhinav Khushraj, lideró anteriormente la estrategia y el producto para Nokia en Norteamérica. Petasense emplea un enfoque dual de hardware (sensores inalámbricos multiparamétricos) y software (back-end y aplicaciones analíticas basadas en el aprendizaje automático). Ya sea que un proveedor requiera, o no, que toda la pila de sensor a nube a aplicación quede por verse, Petasense sin duda facilita a los clientes industriales dar el salto hacia la analítica de borde.

Quorum AI

Qué hacen: Crean herramientas de inteligencia artificial que permiten la recopilación y analítica de datos en el dispositivo y basado en edge

CEO: Noah Schwartz, quien anteriormente fue presidente adjunto de Neurobiología en la Universidad de Northwestern

Problema que resuelven: El aprendizaje profundo promete revolucionar muchos campos, pero tiene fuertes límites que, hasta el momento, están reduciendo su potencial. Para ser eficaz, el aprendizaje profundo requiere enormes cantidades de datos, hardware de última generación y un equipo de científicos de datos costoso para implementar y administrar el sistema.

"En términos de rendimiento, los modelos de aprendizaje profundo son muy efectivos y potentes si se busca resolver un problema limitado; pero una vez construidos, son inflexibles y frágiles, y su funcionamiento interno está completamente oculto", señaló Noah Schwartz, CEO de Quorum AI. El aprendizaje profundo también se enfrenta a limitaciones específicas cuando se aplica a IoT, particularmente cuando la privacidad, la seguridad y el control de los datos son problemas; y, especialmente, cuando el dispositivo debe enviar datos a un servidor en la nube centralizado para su procesamiento.

Cómo lo resuelven: Quorum AI proporciona un motor de IA y un conjunto de herramientas de plataforma IA que ayudan a los desarrolladores a construir inteligencia artificial portátil para dispositivos IoT edge. Los desarrolladores pueden integrar el software Quorum AI directamente en sus dispositivos, o conectar Quorum AI en sus aplicaciones, permitiendo a los dispositivos recopilar datos, aprender de estos y proporcionar información en tiempo real.

El kit de herramientas de la plataforma permite que los desarrolladores envuelvan sus dispositivos alimentados con inteligencia artificial en protocolos especiales, lo que les facilita comunicarse entre sí para generar conocimientos más complicados. Para las empresas, las herramientas también permiten a los dispositivos publicar opcionalmente a modelos centralizados con el fin de impulsar y/o estandarizar el rendimiento.

Quorum AI ofrece a los desarrolladores la opción de eliminar la dependencia de la nube, lo que alivia el ancho de banda, la privacidad y los problemas de latencia que son comunes cuando se utilizan métodos tradicionales de inteligencia artificial basados en la nube.

Las herramientas de AI de Quorum no solo ayudan a los dispositivos de IoT a aprender y responder a eventos en tiempo real, sino que también permiten que los dispositivos sean más personalizados a medida que aprenden de sus propios contextos, en lugar de buscar orientación de un modelo universal almacenado en la nube. Los dispositivos de Quorum AI pueden participar en el aprendizaje entre iguales, en lugar de tener que transferir datos a un servidor de AI centralizado o un almacén de datos y luego usarlo para generar un modelo.

Los competidores incluyen: IBM Watson, Google Cloud, Microsoft Azure (a través de la adquisición de Bons.ai), AWS y Qualcomm

Los clientes incluyen: En el momento de la publicación, Quorum AI no tenía clientes dispuestos a dejar constancia.

Por qué es una startup atractiva: Quorum AI tiene 400 mil dólares en fondos iniciales y ningún cliente con nombre hasta la fecha, por lo que el tiempo corre para ellos. El CEO, Noah Schwartz, tiene antecedentes intrigantes, llegando a este espacio desde la Universidad de Northwestern, donde fue el presidente adjunto de neurobiología. Quorum proporciona un conjunto de herramientas que permite a los desarrolladores insertar un motor de inteligencia artificial directamente en sus dispositivos y facilita que estos se comuniquen entre sí en una red de área personal, donde cada dispositivo se comunica con otros nodos de la red y aprende de ellos.

Sight Machine

Qué hacen: Desarrollan un software de AI que analice los datos de IoT para ayudar a los fabricantes a resolver los desafíos de productividad y calidad.

CEO: Jon Sobel. Anteriormente se desempeñó como asesor general de Tesla y Yahoo.

Problema que resuelven: Los fabricantes luchan por tomar decisiones óptimas rápidamente. Cuando se trata de problemas que surgen en la planta, cualquier indecisión o demora en la toma de decisiones puede ser costosa.

En la fabricación, la variedad de datos (debido a miles de fuentes) es mucho mayor que en otros casos de uso de IoT, y según la investigación de Morgan Stanley, la enorme cantidad de datos es más grande que en cualquier otro lado. Las herramientas de analítica tradicionales no pueden lidiar con la variedad o el volumen.

Cómo lo resuelven: El software Sight Machine utiliza modelos de datos canónicos e inteligencia artificial para ingerir, integrar y asignar grandes cantidades de datos heterogéneos a modelos operativos. Los modelos de datos canónicos representan cualquier máquina, línea, instalación, proveedor, pieza o lote que el fabricante especifique. Una vez modelados, los datos se analizan sistemática y continuamente.

Al estandarizar los modelos de fabricación y seguir un enfoque basado en datos para la toma de decisiones, Sight Machine permite a los fabricantes automatizar la ingestión de datos de una manera rápida y altamente repetible. El modelo estandarizado permite a los fabricantes crear aplicaciones posteriores que aprovechen, de manera inmediata, los datos modelados.

Las técnicas analíticas incluyen estadísticas inferenciales avanzadas, aprendizaje automático e IA, siendo todas aplicadas para generar conocimientos específicos de fabricación. Dentro de su plataforma, Sight Machine analiza y visualiza datos, por lo que los resultados se pueden ver a través de un navegador en cualquier dispositivo conectado.

Los competidores incluyen: PTC / ThingWorx, C3IoT, Uptake, IBM Watson, Seeq y Tulip

Los clientes incluyen: GE, WestRock, Nagase, Inteva, Fiat Chrysler, Komatsu y Fujitsu

Por qué es una startup atractiva: Sight Machine tiene los bolsillos más profundos en este resumen, siendo respaldada por 50 millones de dólares en fondos de capital de riesgo. El CEO y cofundador, Jon Sobel, estuvo previamente con Tesla y Yahoo; mientras que el cofundador y CTO, Nathan Oostendorp, y el cofundador y Chief Data Scientist, Kurt DeMaagd, previamente cofundaron Slashdot.org. Finalmente, los clientes que Sight Machine ha acumulado son impresionantes, incluidos GE, Fiat Chrysler y Fujitsu.

SWIM.AI

Qué hacen: Desarrollan software de inteligencia edge

CEO: Rusty Cumpston, cofundador de Sensity Systems, que fue adquirido por Verizon en el 2016. Antes de eso, se desempeñó como CEO de CloudShield Technologies.

Problema que resuelven: A medida que los dispositivos edge y los volúmenes de datos crecen exponencialmente, las empresas se inundan de datos; tanto así, que es difícil extraer valor de tal inundación. Sin embargo, esa data contiene información que podría transformar la producción, aumentar la eficiencia y optimizar las operaciones.

Ser capaz de analizar datos y predecir el rendimiento del sistema sobre la marcha coloca a las empresas por delante del juego, pero las herramientas de analítica heredadas no pueden administrar los volúmenes y los tipos dispares de datos que generan los dispositivos edge.

Un aspecto aún más complicado del problema es que para mejorar muchos procesos o evitar el tiempo de inactividad, ciertos eventos deben interpretarse en tiempo real, o el valor se desvanece para todo menos el análisis de tendencias históricas.

Cómo lo resuelven: SWIM.AI ha desarrollado una pila de software edge, SWIM EDX, diseñada para procesar de forma eficiente los datos de flujo continuo para generar conocimientos empresariales rápidamente.

SWIM EDX permite que las empresas reduzcan, analicen, aprendan y predigan a partir de lo que SWIM.AI llama "datos grises edge". SWIM EDX combina edge computing, aprendizaje automático y autoformación a través de gemelos digitales, todos ejecutados localmente en dispositivos edge que trabajan en una arquitectura de malla.

Con SWIM, estos conocimientos se pueden compartir automáticamente con otras aplicaciones, y los responsables de la toma de decisiones industriales pueden acceder a ellos sobre la marcha desde cualquier dispositivo con un navegador.

Los competidores incluyen: Microsoft Intelligent Edge

Los clientes incluyen: Trafficware

Por qué es una startup atractiva: SWIM.AI está respaldado por más de 10 millones de dólares en fondos. El CEO, Rusty Cumpston, fue co-fundador de Sensity Systems, que luego fue adquirida por Verizon en el 2016. Trafficware es un cliente de renombre, y SWIM.AI usa lo que llama "gemelos digitales" -es decir, gemelos digitales con autoformación- que modelan el comportamiento de dispositivos y sistemas del mundo real con el fin de permitir el análisis predictivo desde el borde.

Theatro

Qué hacen: Proporcionan un asistente personal impulsado por IA y una plataforma de productividad controlada por voz para los empleados de fabricación, comercios minoristas y hotelería.

CEO: Chris Todd, que anteriormente fue el CEO de AppTrigger

Problema que resuelven: Según el Departamento de Trabajo de los EE.UU., los 32 millones de empleados pagados por hora en los Estados Unidos representan el cuarto sector laboral más grande de la economía. Sin embargo, las empresas con gran cantidad de empleados por hora aún no se han dado cuenta de los enormes beneficios de productividad de los dispositivos móviles inteligentes que están logrando las empresas con gran cantidad de trabajadores del conocimiento, ni se han beneficiado de las tendencias de IoT que están impulsando la productividad en otros sectores, como la fabricación.

El problema es que los trabajadores por hora y de manufactura tienden a ser desacelerados si se les requiere llevar un smartphone, tableta u otro dispositivo mientras hacen su trabajo, porque necesitan manos libres y ojos enfocados en su trabajo. Además, la mayoría de los empleados por hora no cuentan con un correo electrónico o correo de voz de la compañía; y en muchos estados, las leyes laborales por hora les dificultan el acceso a la información necesaria de la empresa cuando se encuentran fuera de hora.

Cómo lo resuelven: La solución móvil "heads up, hands free" de Theatro proporciona una suite de aplicaciones de productividad y comunicación de software, presentado como SaaS y diseñado para optimizar el rendimiento operacional, de ventas y de los empleados.

Theatro les permite a los trabajadores acceder a un asistente virtual impulsado por inteligencia artificial a través de comandos de voz para obtener información sobre su tienda, planta o almacén casi instantáneamente. El conjunto de aplicaciones de productividad para la fuerza laboral de Theatro opera junto con los sistemas back-end de una empresa.

Por ejemplo, cuando se trabaja en un espacio comercial, un asociado puede conectar un dispositivo habilitado para Theatro a un asistente virtual alimentado por IA, que habla con el empleado a través de un auricular. El asistente puede ayudar a los empleados a comprender cosas como el inventario y las operaciones que están por detrás, para que haya más empleados trabajando en el piso con los clientes, en lugar de buscar físicamente las respuestas en sistemas obsoletos en la parte posterior del lugar.

La plataforma también conecta a los empleados entre sí, con la sede y con otros sistemas de información de la empresa. Usando Theatro, los empleados pueden encontrarse por nombre, experiencia o incluso ubicación. Los empleados pueden colaborar directamente tocando sus auriculares conectados a Theatro y diciendo "Hola [nombre del compañero de trabajo]".

Con Theatro, los empleadores también reciben información sobre lo que hacen sus empleados, cómo trabajan en equipo y qué los hace exitosos. La aplicación Employee Analytics, impulsada por inteligencia artificial, mide los datos de interacción social para comprender qué afecta la productividad y quiénes son los mejores. Luego, realiza analítica predictiva, lo que permite a las empresas crear un modelo simplificado repetible que maximiza la productividad.

Theatro dice que los clientes están usando su plataforma para disminuir los tiempos de espera de los clientes, conectar a los líderes regionales con sus equipos y aumentar la productividad de los empleados hasta en un 10-30%.

Los competidores incluyen: Zebra, Inkling y Tulip

Los clientes incluyen: The Container Store, Cabela's, Neiman Marcus y Total Wine & More

Por qué es una startup atractiva: Theatro cuenta con un respaldo de aproximadamente nueve millones de dólares en fondos. Su equipo de liderazgo está encabezado por Chris Todd, quien anteriormente fue el CEO de AppTrigger. El CTO y SVP de Ingeniería, Ravi Shankar Kumar, anteriormente ocupó cargos directivos de I&D en Kodiak Networks, Rapid5 Networks e Ishoni Networks. Al enfocarse en los trabajadores de servicio por hora, Theatro apunta a un mercado enorme. Si Theatro brinda a los trabajadores de servicio por hora una fracción de las ganancias de productividad móvil que los trabajadores del conocimiento han logrado, esta startup podría convertirse en un unicornio algún día. Finalmente, Theatro ha ganado una gran dosis de credibilidad al conseguir clientes tan importantes como Cabela's y Neiman Marcus.

Jeff Vance es el fundador de Startup50.com, un sitio que descubre, analiza y clasifica startups tecnológicas.