Todos los artículos

Análisis

Agentes de IA en nuestro Slack, y lo que nos enseñaron sobre Ray

Nuestro cofundador y CEO, Svet Bajlekov, conversó con Kyle Hodgson en el podcast Engineering with AI sobre los agentes de IA que trabajan en el Slack de AMMP, y sobre cómo esa experiencia dio forma a Ray, nuestro compañero de trabajo con IA para equipos de energía renovable.

Andreas Lehner, CCO · Lectura de 4 min

Publicado

Un micrófono de podcast, un hilo de chat con dos agentes de IA y un panel solar con una línea de desempeño ascendente

Svet Bajlekov en el podcast Engineering with AI

Svet Bajlekov, AMMP's co-founder and CEO, recently joined Kyle Hodgson on the podcast Engineering with AI. Kyle conoce la industria desde el lado del operador: trabajó en energía solar en África en Odyssey Energy. La conversación abordó cómo empezó AMMP, los agentes de IA que hoy trabajan junto a nuestro equipo y lo que eso nos enseñó al construir Ray. Estas son las partes que creemos más importantes para quien opera activos renovables.

De las minirredes a los portafolios C&I

Svet empezó en la física, pasó a la consultoría de gestión y en 2013–14 entró en las renovables en mercados emergentes: primero en una empresa de minirredes en Kenia y luego en Rafiki Power, el negocio de minirredes de E.ON en Tanzania y Sierra Leona, donde llegó a ser CTO. En 2018, él y algunos colegas separaron la parte de software y crearon AMMP.

El enfoque inicial fue la electrificación rural. En uno o dos años se desplazó hacia la energía solar y el almacenamiento comercial e industrial (C&I), que sigue siendo el núcleo hoy: sitios de unos cientos de kilovatios a decenas de megavatios, muchos de ellos en África subsahariana, con clientes que ahora también pasan a sitios más grandes y a gran escala.

Agentes con nombre, en hilos compartidos

La parte del episodio a la que Kyle volvía una y otra vez fue cómo trabaja con IA el propio equipo de AMMP. Hasta hace unos meses, cada uno usaba su propio asistente de programación en local. El trabajo aparecía como un pull request, pero nadie más podía ver los prompts, el contexto ni quién había escrito realmente qué.

El cambio fue llevar los agentes a Slack. Cada uno tiene su propio espacio de trabajo, sus propias herramientas y su propia identidad. Sparky hace el triaje: cuando aparece un error en el canal de alertas, cualquiera puede pedirle que lo revise, y ella lee los logs y el código y responde en el hilo. Coda escribe código: toma los hallazgos de Sparky en el mismo hilo, hace la corrección, la somete a revisión y abre un pull request que enlaza con la conversación que lo originó.

“El registro de auditoría se vuelve mucho más fácil”, dijo Svet. “Nos ha dado un nivel mucho mayor de transparencia sobre quién hace qué y cómo se está construyendo.”

Un pequeño ajuste marcó una gran diferencia: enseñar a los agentes a quedarse callados a menos que alguien realmente les pregunte algo. Un agente que responde a cada mensaje en un hilo concurrido acaba silenciado en una semana.

La misma idea, aplicada a sistemas de energía

Ray aplica esa forma de trabajar a los portafolios de los clientes. Vive en los canales de Microsoft Teams o Slack del equipo y trabaja con los mismos datos en vivo que el resto de AMMP OS.

Svet fue franco sobre por qué esto solo se volvió práctico hace poco. Los sistemas de energía producen series temporales, y los modelos de lenguaje leen mal largas columnas de números. Lo que cambió es que los agentes ahora pueden escribir y ejecutar su propio código de análisis: inspeccionan los datos, los procesan con herramientas adecuadas y solo llevan el resultado de vuelta a la conversación.

En la práctica, una mañana con Ray se ve así. Alguien pregunta qué pasó en el portafolio desde ayer, o Ray hace la revisión de forma programada antes de que el equipo se conecte. Hace el triaje de las alertas, revisa el performance ratio y el estado de carga de las baterías, y comprueba si una alerta realmente costó producción o era solo ruido. Luego ordena lo que queda por ingresos perdidos, usando la tarifa o el precio del PPA del sitio, y puede etiquetar a la persona responsable de un sitio o redactar el ticket de O&M.

En un portafolio de cientos de sitios, esa clasificación es lo esencial. Un string desconectado en un sitio puede importar mucho más que una alarma de aspecto crítico en otro, y la única forma de saberlo es ponerle una cifra a cada uno.

La calidad de los datos lo decide todo

La principal advertencia de Svet fue la que menos se oye en las conversaciones sobre IA: el resultado solo es tan bueno como los datos que hay debajo.

“A menudo se espera que la IA resuelva estas cosas por arte de magia. Basta con espolvorearla por encima.”
Svet Bajlekov

Por eso gran parte del trabajo de AMMP a lo largo de los años se ha dedicado a flujos de datos fiables de muchos fabricantes distintos, ninguno de los cuales sigue el mismo estándar. Y ahí Ray resulta sorprendentemente útil de otra manera: cuando se le pide un reporte mensual de producción, indica cuál fue la calidad de los datos y marca los sitios donde los vacíos podrían afectar las cifras. También detecta metadatos que no cuadran, como un sitio que produce 2,5 MW cuando está registrado con 1,5 MW, normalmente porque alguien escribió una capacidad en una hoja de cálculo hace años.

Lo que viene

Dos temas a seguir de la conversación. Primero, evaluaciones rigurosas: volver a ejecutar problemas ya resueltos con distintos modelos, para sustituir la intuición por evidencia. Por ahora, Svet opina que el modelo importa menos que antes; importan más las buenas instrucciones, las buenas herramientas y los buenos datos. Segundo, modelos de clasificación más pequeños que podrían ordenar el flujo de alertas antes de que un modelo de lenguaje lo vea, lo que haría el triaje más barato y fiable.

Y cuando le preguntaron en qué había cambiado de opinión, Svet dio una respuesta honesta para un ingeniero que lleva años programando: hace un año no habría creído que dejaría casi por completo de leer código línea por línea y pasaría la revisión a otros agentes.

Listen to the full episode on Engineering with AI. To see how Ray works on your own portfolio, start at ammp.io/ray.

Pasa de la visibilidad a la acción

¿Listo para poner a trabajar los datos de tu cartera?