Architettura del Sistema

Rela AI non è una dashboard con moduli scollegati — è un pipeline in cui ogni pezzo alimenta il successivo. Questa pagina mostra il sistema completo da un lato all'altro per capire come si collegano le parti che leggi in altre sezioni della doc.

Pipeline principale

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

  subgraph Pipeline predittivo
    N[Field mapping<br/>+ normalizzazione]
    B[Baseline<br/>+ trends]
    D1[Rilevatore anomalie<br/>IF + LOF]
    D2[Rilevatore energia<br/>z-score + Page-Hinkley]
    D3[Prognostics<br/>RUL + CBM]
  end

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

  subgraph Orchestrazione
    H[AHI 5 sub-indici]
    M[Maturità 0..3]
    X[Agenti WhatsApp/Email]
    T[Attività + SLA]
    CMMS[Sync CMMS]
  end

  subgraph Consegna
    Report[Report PDF/Excel]
    Sched[Report programmati]
    CSAT[CSAT a chiusura 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

Moduli e dove approfondire

Principi di design

Tutto si connette con tutto

Nessun modulo isolato. Un rilevamento del rilevatore anomalie → va all'aggregator → consolida in _alerts → aggiorna l'AHI → può attivare un agente → che crea un'attività → che si sincronizza con il CMMS. Questo è il differenziatore rispetto alle piattaforme IoT tradizionali che mostrano solo dashboard.

Zero hardware

La piattaforma è 100% software. Non vendiamo sensori né PLC — ci colleghiamo a ciò che il cliente ha già, via i 7 protocolli supportati nativamente.

Ogni tenant addestra il proprio modello

Nessun modello predittivo generico. Ogni azienda addestra il proprio con il proprio storico operativo — la propria baseline, i propri guasti confermati, i propri cicli. Per questo il pipeline ha livelli di maturità: parte con allarmi base ed evolve fino a previsioni confidenti.

Severità canonica condivisa

I 3 rilevatori (anomaly, energy, prognostics) condividono la stessa scala info < warning < high < critical via adapter (severity.py). L'aggregator usa questa scala canonica per fare dedup tra sistemi. Vedi glossary per la distinzione con la scala legacy di Machine Events.

config_version su ogni snapshot

Ogni documento derivato dalla config predittiva (_asset_health_snapshots, _asset_prognostics, ecc.) porta il config_version attivo al momento del calcolo. Questo permette di rispondere "quali soglie si applicavano quando questo asset era classificato A?".

Per iniziare

1. Leggi getting-started/concepts per capire i livelli di maturità.
2. Segui getting-started/setup per collegare il primo asset.
3. Costruisci il primo agente con tutorials/first-agent.
4. Attiva gli allarmi con tutorials/alarm-escalation.

Vedi differentiation se preferisci leggere perché Rela AI si differenzia dai CMMS tradizionali + piattaforme IoT prima di metterti coi tutorial.