Arquitectura del Sistema

Rela AI no es un dashboard con módulos inconexos — es un pipeline donde cada pieza alimenta a la siguiente. Esta página muestra el sistema completo de un lado al otro para entender cómo se conectan las partes que leíste en otras secciones de la doc.

Pipeline principal

flowchart LR
  subgraph Ingesta
    S1[Sensores MQTT]
    S2[OPC UA / Modbus / S7 / EtherNet-IP]
    S3[Webhook HTTP]
  end

  subgraph Pipeline predictivo
    N[Field mapping<br/>+ normalización]
    B[Baselines<br/>+ trends]
    D1[Anomaly detector<br/>IF + LOF]
    D2[Energy detector<br/>z-score + Page-Hinkley]
    D3[Prognostics<br/>RUL + CBM]
  end

  subgraph Consolidación
    A[Alert aggregator<br/>dedup por asset]
    Alerts[(_alerts)]
  end

  subgraph Orquestación
    H[AHI 5 sub-índices]
    M[Maturity 0..3]
    X[Agentes WhatsApp/Email]
    T[Tareas + SLA]
    CMMS[CMMS sync]
  end

  subgraph Entrega
    Report[Reportes PDF/Excel]
    Sched[Scheduled reports]
    CSAT[CSAT al cerrar chat]
  end

  S1 --> N
  S2 --> N
  S3 --> N
  N --> B
  B --> D1
  B --> D2
  B --> D3
  D1 --> A
  D2 --> A
  D3 --> A
  A --> Alerts
  Alerts --> H
  Alerts --> X
  H --> M
  X --> T
  T --> CMMS
  X --> Report
  Report --> Sched
  X --> CSAT

Módulos y dónde leer más

Principios de diseño

Todo conecta con todo

No hay módulos aislados. Una detección del anomaly detector → va al aggregator → consolida en _alerts → actualiza el AHI → puede disparar un agente → que crea una tarea → que sincroniza con el CMMS. Este es el diferenciador sobre plataformas IoT tradicionales que solo muestran dashboards.

Zero hardware

La plataforma es 100% software. No vendemos sensores ni PLCs — nos conectamos a los que el cliente ya tiene vía los 7 protocolos soportados nativamente.

Cada tenant entrena su modelo

No hay un modelo predictivo genérico. Cada empresa entrena el suyo con su propio histórico de operación — su baseline, sus fallas confirmadas, sus ciclos. Por eso el pipeline tiene niveles de madurez: arranca con alertas básicas y evoluciona hasta predicción confidente.

Severidad canónica compartida

Los 3 detectores (anomaly, energy, prognostics) comparten la misma escala info < warning < high < critical vía adapters (severity.py). El aggregator usa esta escala canónica para deduplicar entre sistemas. Ver glossary para la distinción con la escala legacy de Machine Events.

config_version en todo snapshot

Cada documento derivado de la configuración predictiva (_asset_health_snapshots, _asset_prognostics, etc.) lleva el config_version activo en el momento del cálculo. Esto permite responder "¿qué thresholds aplicaban cuando este activo se calificó A?".

Para arrancar

1. Lee getting-started/concepts para entender niveles de madurez.
2. Sigue getting-started/setup para conectar tu primer equipo.
3. Configura un primer agente con tutorials/first-agent.
4. Activa alarmas con tutorials/alarm-escalation.

Ver differentiation si preferís leer por qué Rela AI difiere de CMMS tradicional + plataformas IoT antes de meterte con tutoriales.