L’envelliment de les bateries és un dels reptes tècnics més crítics en la transició energètica, però la investigació topa amb un obstacle persistent: les dades públiques disponibles són inconsistents, manquen d’esquemes clars i la seva metadada està dispersa entre repositoris i publicacions. BatteryLake sorgeix com una solució innovadora en proposar un data lakehouse governat que transforma les dades brutes en actius preparats per a benchmarks. El seu enfocament agèntic, basat en agents d’intel·ligència artificial (IA) que extreuen metadades i generen convertidors específics per a cada conjunt, garanteix que cada sortida estigui recolzada per evidència textual verificable. A més, incorpora un mecanisme humà al bucle que emmarca la verificació com a predicció selectiva, filtrant les dades mitjançant 26 regles d’esquema, estadístiques i plausibilitat física. Aquest sistema no només estandarditza 41 conjunts de dades de més de 25 institucions, sinó que ofereix tasques estandarditzades de SOH i RUL, tres protocols de divisió i vuit famílies de models base. La iniciativa representa un avenç significatiu en la curació automàtica de sèries temporals electroquímiques, un camp on les eines generals d’integració solen fallar per manca de semàntica de domini.
Per a empreses que treballen amb dades industrials o científiques, BatteryLake il·lustra com un marc de curació governat pot replicar-se en altres àmbits. A Q2BSTUDIO, entenem que la gestió de dades no estructurades o semi-estructurades requereix aplicacions a mida que capturin la lògica de negoci específica. La combinació d’agents d’IA amb supervisió humana és una estratègia que apliquem en projectes d’automatització de processos on la precisió és crítica. Per exemple, en integrar dades de sensors industrials, els agents intel·ligents poden extreure metadades, mentre que les regles de plausibilitat — similars a les 26 regles de BatteryLake — asseguren que només informació vàlida entri al pipeline. La infraestructura cloud, ja sigui AWS o Azure, proporciona l’escalabilitat necessària per albergar lakehouses de dades multimodals, mentre que solucions de ciberseguretat protegeixen la integritat i confidencialitat de les dades durant l’extracció i l’emmagatzematge.
La curació de dades de bateries no només beneficia l’acadèmia; també impacta directament en la indústria de la mobilitat elèctrica i l’emmagatzematge estacionari. Un fabricant de vehicles elèctrics podria utilitzar un enfocament similar per unificar dades de proves de cicle de vida de diferents proveïdors, reduint el temps d’obtenció de models predictius de vida útil. En aquest context, les eines de Business Intelligence (BI) com Power BI es converteixen en l’aliat perfecte per visualitzar tendències de degradació i alertar sobre anomalies. Q2BSTUDIO ofereix serveis de consultoria en BI que permeten construir dashboards interactius a partir de dades curades, facilitant la presa de decisions basada en evidència. A més, la incorporació d’agents d’IA per a la detecció automàtica de patrons d’envelliment — com l’augment de la resistència interna o la pèrdua de capacitat — accelera el desenvolupament d’estratègies de manteniment predictiu.
Un dels aspectes més destacats de BatteryLake és el seu protocol de curació reproducible, que combina l’extracció automàtica amb la verificació humana. Aquest model híbrid és especialment rellevant en entorns on els errors de dades poden tenir conseqüències costoses. En la pràctica, un sistema similar per a dades financeres o de logística podria aplicar regles de plausibilitat com a llindars de coherència temporal o relacions entre variables. L’experiència de Q2BSTUDIO en desenvolupament de programari a mida ens permet dissenyar frameworks de curació que s’adaptin a qualsevol domini, integrant agents d’IA entrenats en la semàntica específica del negoci. La ciberseguretat, per la seva banda, garanteix que les dades sensibles — com les de rendiment de bateries de prototips — no siguin vulnerables durant el procés d’integració.
El benchmark obert que publica BatteryLake, amb 41 datasets i tasques estandarditzades, és un recurs valuós per a la comunitat. Tanmateix, el veritable potencial està en la generalització de la seva metodologia. A Q2BSTUDIO, hem vist com empreses d’energia, manufactura i salut necessiten solucions similars per governar els seus sitges de dades. La clau està en construir pipelines on els agents d’IA no només extreguin metadades, sinó que aprenguin de les correccions humanes, millorant progressivament la precisió. La infraestructura cloud d’AWS o Azure ofereix serveis com AWS Glue o Azure Data Factory per orquestrar aquests fluxos, mentre que les capacitats de BI/Power BI permeten monitoritzar la qualitat de les dades en temps real. Tot això, embolicat en una capa de ciberseguretat que compleix amb normatives com GDPR o ISO 27001.
Finalment, BatteryLake demostra que la curació de dades no ha de ser un procés manual i tediós. Amb la combinació adequada d’agents d’IA, regles de domini i supervisió humana, és possible transformar conjunts de dades caòtics en actius d’alt valor. A Q2BSTUDIO, oferim serveis que abasten des del disseny d’arquitectures de dades fins a la implementació de solucions d’intel·ligència artificial, passant per la integració al núvol i la ciberseguretat. Si la vostra organització gestiona dades d’envelliment de bateries — o qualsevol altre tipus de sèries temporals crítiques —, un enfocament agèntic de curació pot marcar la diferència entre un model predictiu mediocre i un que realment anticipi el comportament futur. La plataforma BatteryLake i el seu protocol de curació són una inspiració per construir el futur de la gestió de dades governada.
