REDES NEURONALES

Al alimentar una red con una serie de datos de acontecimientos de viajes a lo largo de 20 años se le añade información de los factores que pueden interferir en el trayecto; hemos logrado entrenar al sistema para que sea capaz de procesar la información en segundos y de esta forma predecir si llegará a un destino en la fecha en que fue agendada la cita y sea eficiente el trayecto, y así acceder a un nivel de detalles muy preciso.

Thumb

MEDICIÓN DE RIESGOS

Este modelo aprende y anticipa eventos a partir del procesamiento de datos obtenidos gracias a:


HISTÓRICO DE VIAJES.

Información generada o lo largo de 20 años de experiencia identificando el quién, qué. cómo. cuándo y dónde.

Rutas. línea. operador, cargo, hora, día, mes, posición (Longitud, Latitud) geográfica, modus operandi.


INFORMACIÓN GENERADA EN TIEMPO REAL

Base de datos generada en tiempo real identificando las coincidencias de los patrones de comportamiento.

Se incluyen también factores como el monitorista y tipo de monitoreo, cliente, paradas no autorizadas, indicador de riesgo.


FACTORES EXTERNOS

Estimaciones de riesgo como tráfico, clima, entre otros.




INDICADOR DE RIESGO

El procesamiento de datos da como resultado un indicador de riesgo porcentual anticipando una alta probabilidad de robo en tiempo real.

  • El 80% de probabilidad es lo que iLSP considera un indicador de alto riesgo, cuándo esto lo detecta el sistema se activa de manera inmediata el protocolo de reacción.
  • Este indicador se encuentro a prueba, se ajustará de acuerdo a las falsas alarmas generadas en un tiempo determinado.

Anticipación de la probabilidad alta de robo en tiempo real, dando como resultado ENFOQUE OPERATIVO AL RIESGO, PRODUCTIVIDAD Y EFICIENCIA.

Thumb