Cuando ejecuta grandes operaciones industriales de la vida real, en algún lugar profundo de la instalación siempre hay un indicador o lectura que sus ingenieros o equipos de campo deben verificar personalmente. Lilz es una startup japonesa que construye dispositivos que pueden configurarse para leer estos medidores de forma remota, y la compañía acaba de recaudar $4.1 millones cuando ingresó al mercado norteamericano.
Los dispositivos Lilz son básicamente cámaras inteligentes que funcionan con baterías que pueden funcionar durante años entre cargas mientras monitorean algo como un manómetro las 24 horas del día, los 7 días de la semana.
Esto puede sonar un poco extraño en estos días, ¿por qué no tener un indicador de vapor inteligente? La simple verdad es que mucha infraestructura e industria pesada no son una opción, y puede ser prohibitivamente costoso actualizarla. Sin embargo, por razones de seguridad o rendimiento, algunas lecturas simples deben verificarse con regularidad.
Enviar a un hombre hacia abajo es la solución más simple o lo era hasta que Lilz puso a disposición sus dispositivos hace unos años. Su pila de visión artificial robusta pero energéticamente eficiente analiza las imágenes del medidor y transfiere digitalmente esta información.
Actualmente, la empresa con sede en Okinawa tiene alrededor de 3500 cámaras activas en 500 ubicaciones y ha recaudado 590 millones de yenes (unos 4,1 millones de dólares en la actualidad) para impulsar la siguiente fase de su negocio. Sus inversores incluyen JIC Venture Growth Investments, Mitsubishi UFJ Capital, Tokyo Century, Dimension Fund, Okinawa Development Finance Corporation, Okinawa’s Science and Technology Development Center y Dogan Beta. Esta es la ronda B, aproximadamente el doble de la ronda A de $2.2 millones en 2021.
La empresa ha recibido las certificaciones FCC e ISED para sus dispositivos y se está preparando para su lanzamiento en EE. UU. y Canadá. Planean duplicar la ubicación de la cámara y luego expandirse rápidamente.

El dispositivo Lilz en una situación real y un ejemplo de sus lecturas. (No son las mismas métricas, solo para ser claros).
En términos de hardware, Lilz también ha trabajado para lograr la certificación “intrínsecamente segura”, lo que significa que las cámaras no corren el riesgo de crear problemas de seguridad, como cortocircuitos y la creación de una chispa que podría encender vapores inflamables. Esto a menudo involucra carcasas de dispositivos grandes, pero Lilz las diseñó desde el principio, y sus cámaras intrínsecamente seguras pesan solo 550 gramos.
También planean lanzar una cámara térmica con características tipo RGB; El monitoreo térmico es importante en las plantas de energía no tripuladas donde una persona simplemente tendría que visitar una cámara termográfica portátil para verificar. Por supuesto, la automatización de este proceso es deseable. Al igual que con otros negocios generalizados, como el almacenamiento y suministro de gas, eliminar la necesidad de estas inspecciones no solo es más seguro, sino que también ahorra dinero, tiempo y combustible.
Si bien sería exagerado llamar a Lilz una empresa de IA, ciertamente es lo suficientemente cercano como para reclamar una afinidad mientras el mercado de IA continúa creciendo. Si bien mejora regularmente sus algoritmos de visión por computadora y métodos de acceso a datos, Kuba Kołodziejczyk, director de tecnología de la compañía, dijo que ve interés más allá de la lectura de medidores, ya que los dispositivos a menudo se encuentran en ubicaciones clave dentro de las instalaciones.
“Si bien nos enfocamos en métricas analógicas, con nuestras cámaras, los clientes también pueden registrar otros aspectos de sus procesos que antes no podían rastrear, y nos piden la capacidad de detectar eventos interesantes”, dijo a TechCrunch. “Algunos de los ejemplos que estamos viendo ahora son cambios de temperatura anormales (que están relacionados con nuestra gama de cámaras termográficas) y fugas, tanto en el equipo como en el entorno circundante”.
Dijo que los dispositivos de Lilz podrían aprender a detectar valores atípicos con datos muy escasos, pero advirtió que “este proyecto aún está en la fase de exploración”.