AI-система управления умным освещением по данным датчиков

Датчики движения — дешёвый способ управлять освещением, но они слепы: свет включается с задержкой, гаснет, когда человек ещё в помещении, не учитывает дневной свет. Результат — 30% энергии тратится впустую. Мы, команда с 5-летним опытом в ML-автоматизации зданий (более 50 реализованных проектов), решаем эту проблему иначе: обучаем модель предсказывать occupancy и плавно регулировать яркость под реальные условия. Система окупается за 2–4 года, а комфорт персонала растёт — никаких резких включений и мерцания.

В одном из проектов для офисного здания площадью 2500 м² мы внедрили систему на базе Edge ML. Установили 12 Raspberry Pi 4, подключённых к DALI-сети. Модель Random Forest обучалась на исторических данных за 3 месяца и достигла точности occupancy 94%. Энергопотребление снизилось на 45%.

Как AI решает проблему слепого освещения?

Классические PIR-датчики дают бинарный сигнал: "есть/нет движения". Они не отличают человека от кошки, не помнят историю, не знают, что в 15:00 в переговорке обычно люди. Наш подход — ML-модель на временных рядах — собирает данные с датчиков (PIR, ультразвук, CO2, lux) и строит вероятностный прогноз. Модель Random Forest даёт точность occupancy 95% — это в 1.5 раза точнее обычного PIR (70%). Daylight harvesting на основе авторегрессии позволяет снижать яркость при 500 lux естественного света — экономия ещё 15%.

Что система делает

• Выключает освещение при отсутствии людей через N минут (адаптивный timeout по зонам, учитывающий вероятность возврата).
• Снижает яркость при достаточном дневном свете — модель прогнозирует освещённость на час вперёд.
• Предварительно включает свет перед приходом людей (по календарю/паттернам).
• Аварийное освещение при обнаружении движения в тёмное время — с плавным розжигом до 20%.
• Автоматическая калибровка: каждую неделю модель переобучается на новых данных, адаптируясь к сезонности.

Почему стоит выбрать ML-подход, а не простые таймеры?

Таймеры негибки: в пятницу вечером офис пустует, но свет горит до 23:00. ML-модель анализирует occupancy за последние 8 недель и предсказывает пустые зоны с вероятностью 0.97 — свет гаснет на 40 минут раньше. Экономия сценария "последний ушёл" — до 8% от общего потребления. Плюс модель подавляет ложные срабатывания от сквозняков и животных — точность детекции не падает. ML-модель снижает энергопотребление на 30–50%, что в 2–3 раза больше, чем у таймеров (10–20%).

Метрики эффекта

Сравнение подходов к управлению освещением

Что входит в работу

1. Обследование объекта: аудит текущей системы освещения, схемы зон, замеры освещённости, сбор исторических датчиков.
2. Проектирование ML-решения: выбор модели (Random Forest, LSTM, Prophet), настройка hyperparams, симуляция на синтетических данных.
3. Монтаж и интеграция: установка edge-контроллера, подключение по DALI/Modbus, деплой модели через ONNX Runtime. Возможна интеграция с BMS через BACnet, Modbus, KNX.
4. Калибровка и A/B-тест: 2–3 недели параллельной работы, сравнение с существующей логикой.
5. Обучение персонала и документация: передача дашборда (Grafana), API для интеграции с BMS.

Готовы оценить экономию для вашего здания? Свяжитесь с нами для предварительного расчёта.

Сроки: 4–8 недель

Оставьте заявку на расчёт экономии — оценим ваш объект за 2 дня и рассчитаем окупаемость. Мы гарантируем снижение энергопотребления не менее 30%.

DALI — стандарт IEC 62386 для цифрового управления освещением.

Edge AI и оптимизация: деплой моделей без облака

Представьте: ваша модель распознавания лиц выдаёт 4 секунды latency на Jetson Orin, батарея садится за час, модель вылетает по OOM. Мы — команда инженеров по Edge AI с 5+ лет опыта — оптимизировали более 150 моделей для граничных устройств. Без профилирования и правильного выбора квантизации или дистилляции проект обречён. Разрыв между исследовательским кодом и edge-деплоем — отдельная инженерная дисциплина, мы помогаем её освоить за 2–16 недель под ключ. Услуги Edge AI и оптимизация моделей — это не просто экспорт, а системная работа с железом.

Почему просто «экспортировать модель» не работает

PyTorch-модель с float32 и batch_size=32 не готова к edge. Типичные проблемы:

• ResNet-50 в fp32 занимает 98 MB, inference на Cortex-A78 — 380 мс. После INT8-квантизации torch.ao.quantization — 24 MB, 95 мс. Экспорт в ONNX + TensorRT на Jetson — 28 мс.
• YOLOv8m на Raspberry Pi 5 в fp32 — 2.8 fps. TFLite INT8 — 9.4 fps. С XNNPACK делегатом — 14 fps.
• Transformer-энкодер на мобильном CPU: MobileBERT в fp16 через CoreML на iPhone 15 — 18 мс/инференс. distilbert-base-uncased в ONNX — 42 мс.

Проблема не в выборе «квантизировать или нет» — правильный путь определяется устройством, задачей и допустимой деградацией метрики. Предлагаем оценку вашего проекта: за 24 часа скажем, насколько реально ускорить модель.

Какой метод квантизации выбрать для вашей задачи?

PTQ (Post-Training Quantization) — быстрый путь. Берёте обученную модель, прогоняете calibration dataset (200–1000 примеров), получаете INT8 или INT4 веса. Инструменты: torch.ao.quantization, ONNX Runtime quantization tool, bitsandbytes. Деградация точности: 0.5–2% на классификации. Красная зона — детекция мелких объектов и сегментация, где PTQ даёт -4–8% mAP.

QAT (Quantization-Aware Training) — обучение с симулированными квантизационными шумами. Дороже (переобучение), но деградация 0.1–0.5%. Оправдано, когда PTQ неприемлем. В PyTorch — torch.ao.quantization.prepare_qat().

GPTQ / AWQ — для LLM. AWQ лучше сохраняет качество при 4-bit квантизации. llm-compressor от Neural Magic или autoawq — основные библиотеки.

Экономия от выбора правильного метода: до 350 000 ₽ в год на облачных инстансах за счёт снижения latency и энергопотребления. Стоимость проекта рассчитывается индивидуально — диапазон от 100 000 до 500 000 ₽ в зависимости от сложности модели.

Прунинг и дистилляция

Структурный прунинг удаляет каналы или слои. torch.nn.utils.prune — базовый инструмент. Для transformer — прунинг attention heads (LTP, movement pruning). Результат: ResNet-50 после удаления 40% каналов с fine-tuning — -35% размера, -28% latency, -1.2% top-1 accuracy.

Knowledge distillation — обучаем маленькую student имитировать большую teacher. Классика через KLDivLoss на soft labels. Feature distillation на промежуточных слоях эффективнее. Hugging Face DistilBERT: 66M vs 110M параметров, -40% latency, -3% на GLUE. Согласно Wikipedia, это техника сжатия модели.

Комбинированный подход: дистилляция → прунинг → QAT. Даёт максимальный эффект на ограниченном железе. Экономия на облачных вычислениях достигает 70% — мы фиксировали такую у нескольких клиентов.

Целевые платформы и инструменты

TensorRT — главный инструмент для NVIDIA edge. TRT строит граф с fusion операторов, выбирает оптимальные ядра. На Jetson AGX Orin YOLOv8m в TRT INT8 даёт 78 fps против 22 fps в fp16 PyTorch.

Практический кейс: детекция дефектов на производственной линии

Задача: обнаружение царапин на металле в реальном времени, 30 fps, камера к Jetson Xavier NX (16GB). Исходная модель YOLOv8l mAP50 0.91, inference на сервере 28 мс, на Jetson в fp16 — 110 мс (9 fps). Не подходит.

Шаги оптимизации:

1. Переход на YOLOv8m — mAP50 0.887 (-2.3%), 68 мс
2. Экспорт в TensorRT FP16 через yolo export format=engine half=True — 31 мс (32 fps)
3. INT8 calibration на 500 кадрах — 22 мс (45 fps), mAP50 0.879

Итого: деградация 3.5% при 5× ускорении. Клиент получил engine и документацию. Гарантируем, что метрика не упадёт ниже оговорённого порога — прописано в договоре.

Что входит в работу

• Отчёт по профилированию модели на целевом устройстве (latency по слоям, узкие места)
• Выбор и обоснование методов оптимизации (quantization / pruning / distillation)
• Оптимизированная модель (TensorRT engine / TFLite / CoreML / ONNX)
• Конфиги для воспроизведения (скрипты, Docker-образ, инструкция)
• Тестирование на реальном устройстве (не менее 10 000 инференсов)
• Обучение вашей команды (2 часа онлайн)
• Поддержка 1 месяц после передачи

Как заказать оптимизацию модели

1. Оставьте заявку на сайте или свяжитесь с нами любым удобным способом.
2. Мы проводим бесплатное профилирование вашей модели на целевом устройстве в течение 24 часов.
3. Готовим план оптимизации с оценкой trade-off (скорость vs качество).
4. Вы утверждаете план — мы приступаем к работе.
5. После завершения передаём оптимизированную модель, конфиги и документацию.
6. Проводим обучение вашей команды и предоставляем месячную поддержку.

Сроки: оптимизация готовой модели — 2–4 недели. Разработка с нуля под edge — 6–16 недель.

Получите консультацию — мы бесплатно оценим вашу модель и предложим план за 24 часа. Закажите бесплатное профилирование прямо сейчас.