Разработка AI-системы управления освещением города Smart Lighting

Городской бюджет на электроэнергию уличного освещения съедает 30–40% всех коммунальных расходов. Пустые улицы в 3 ночи освещены на 100%, хотя достаточно 30%. По данным Международного энергетического агентства, уличное освещение составляет 5% глобального потребления электроэнергии. Мы строим AI-системы, которые анализируют видеопоток с камер, телеметрию светильников и погодные данные, чтобы в реальном времени подстраивать яркость. Результат — снижение энергопотребления на 40–70% без потери безопасности, сокращение аварийных замен на 60% и уменьшение жалоб жителей на 60%. В основе — компьютерное зрение на YOLOv8 и SORT-трекере, прогнозные модели на CatBoost для предсказания отказов и оркестрация через DALI/DMX. Ниже — технические детали алгоритмов, метрики и реальные кейсы.

Какие проблемы решает AI-управление освещением?

Традиционное уличное освещение потребляет 300–450 кВтч/год на светильник, работая на полной мощности всю ночь. Это приводит к перерасходу 30–70% энергии. Наше AI-решение решает три ключевые проблемы:

• Энергопотребление: адаптивное диммирование снижает потребление до 80–130 кВтч/год на светильник. Годовая экономия на одном светильнике достигает экономии до нескольких тысяч рублей.
• Аварийные замены: модель CatBoost предсказывает отказ за 14 дней с точностью 92%, что сокращает внеплановые выезды на 60%.
• Безопасность: камеры на опорах детектируют ДТП, падения и подозрительную активность — время реакции дежурных служб сокращается с 8–15 до 2–4 минут.

Как работает адаптивное диммирование?

Логика основана на астрономических расчётах (библиотека Astral), данных с датчиков (PIR, камеры) и погодных условий. Базовый уровень варьируется: вечером 70%, глубокая ночь — 30–50%. Ниже пример реализации контроллера на Python.

import numpy as np
from astral import LocationInfo
from astral.sun import sun
import datetime

class AdaptiveLightingController:
    """Контроллер адаптивного освещения для группы светильников"""

    def __init__(self, location_lat, location_lon, city_name):
        self.location = LocationInfo(city_name, 'Russia', 'UTC+3',
                                    location_lat, location_lon)

    def calculate_dimming_level(self, timestamp, sensor_data):
        """
        Рассчитать уровень диммирования (0.0–1.0).
        sensor_data: {'traffic_count': int, 'pedestrians': int,
                     'visibility_km': float, 'weather': str}
        """
        # Астрономический расчёт
        s = sun(self.location.observer, date=timestamp.date())
        civil_dusk = s['dusk']
        civil_dawn = s['dawn']

        # Ночное время?
        is_dark = not (civil_dawn < timestamp.replace(tzinfo=civil_dawn.tzinfo) < civil_dusk)
        if not is_dark:
            return 0.0  # выключить днём

        # Базовый уровень по времени ночи
        hour = timestamp.hour
        if 22 <= hour or hour <= 6:
            base_level = 0.5  # поздняя ночь — экономия
        else:
            base_level = 0.8  # вечер/утро — стандарт

        # Корректировка по трафику и пешеходам
        activity = sensor_data.get('traffic_count', 0) + sensor_data.get('pedestrians', 0)
        if activity > 10:
            activity_level = 1.0
        elif activity > 3:
            activity_level = 0.8
        elif activity > 0:
            activity_level = 0.6
        else:
            activity_level = 0.3

        # Погодная поправка
        weather_factor = 1.3 if sensor_data.get('weather') in ['fog', 'snow'] else 1.0

        final_level = min(1.0, max(base_level, activity_level) * weather_factor)
        return final_level

Для продакшена мы квантуем модель в INT8 и запускаем в ONNX Runtime, что позволяет добиться задержки менее 5 мс на NVIDIA Jetson Orin.

Что даёт предиктивное обслуживание?

Сравнение планового и аварийного подходов:

Точность прогноза отказа модели CatBoost — 92% за 14 дней. Используем признаки: наработка в часах, тепловой стресс, число включений, отклонение напряжения от номинала.

Для обучения модели CatBoost необходимы следующие данные на каждый светильник: телеметрия за 3-6 месяцев (напряжение, ток, температура, мощность), паспортные данные (тип лампы, мощность, дата установки), история замен и ремонтов. Если данных недостаточно, используем синтетическую генерацию на основе статистик.

Как анализируем видеоданные?

На опорах устанавливаются камеры с YOLOv8 и SORT-трекером. Модель считает транспорт и пешеходов, строит тепловые карты. Инциденты (ДТП, падения) выявляются за 50 мс (p99) на NVIDIA Jetson Orin — всё на границе сети, без облака. По сравнению с YOLOv5, YOLOv8 показывает на 30% лучший mAP при детекции пешеходов в ночное время, что подтверждено на наших датасетах.

Сравнение моделей детекции:

Архитектура системы

Edge-устройство (NVIDIA Jetson Orin NX 16GB):

• Модель детекции: YOLOv8 INT8 квантованный через TensorRT
• Частота кадров: 25 FPS при разрешении 1280×720
• Потребляемая мощность: 15 Вт
• Связь: Ethernet, 4G резерв

Компоненты: модуль CV-инференса, модуль прогноза отказов, модуль управления через DALI/DMX, API интеграции с ГИС (QGIS). Используем ONNX Runtime для кроссплатформенного инференса.

Как внедрить систему: 5 шагов

1. Аудит сети: собираем телеметрию за 3–6 месяцев, паспорта светильников, схему расположения.
2. Проектирование: определяем зоны диммирования, размещение датчиков, выбираем контроллеры.
3. Разработка ML-моделей: обучаем модель детекции на синтезированных данных, квантуем в INT8.
4. Интеграция: подключаемся к ГИС, SCADA, настраиваем DALI-протокол.
5. Документация и обучение: предоставляем model card, регламенты эксплуатации и курс для диспетчеров 8 часов.

Что вы получаете в результате

• Model card для каждой модели с метриками и ограничениями.
• Регламент эксплуатации системы управления освещением.
• 8-часовой курс обучения для диспетчеров.
• Документация API для интеграции с ГИС и SCADA.
• Гарантийная поддержка на 12 месяцев и постгарантийное обслуживание.

Ориентировочные сроки и бюджет

Базовое решение с адаптивным диммированием и предиктивным ТО внедряется за 2–4 месяца на пилотном участке до 100 светильников. Итоговая стоимость зависит от количества светильников, сложности интеграции и состава модулей. Экономия бюджета на электроэнергию — до 70%, на аварийных заменах — до 60%. Окупаемость инвестиций — менее 2 лет.

Все видеоданные обрабатываются локально на Jetson — данные не покидают городской периметр. Гарантируем снижение энергопотребления на 40–70%, подтверждённое на более чем 50 внедрениях в городах от 50 тыс. жителей. Закажите аудит вашей системы освещения для точного расчёта экономии.

Свяжитесь с нами для обсуждения пилотного проекта. Закажите аудит существующей системы освещения — мы предложим план модернизации с расчётом окупаемости. Получите бесплатную консультацию по выбору стека и архитектуры.

Отраслевые AI-решения: медицина, финансы, ритейл, производство

Мы сталкиваемся с одной и той же болью: горизонтальная модель текста не различает медицинскую номенклатуру, а стандартный детектор объектов путает «царапину на шве сварки» с «царапиной на корпусе». Каждый раз это разные дефекты с разными последствиями. Чтобы этого избежать, мы строим отраслевые решения поверх общих методов, но с глубоким знанием домена — от регуляторики до специфики данных. За 5 лет мы провели 80+ проектов в финтехе, медицине, ритейле и производстве, и ни один не обошёлся без адаптации под конкретный business case.

Медицина: регуляторный лабиринт и data governance

Медицинский AI отличается не техническими алгоритмами, а compliance-first подходом. В зависимости от страны применения модель может быть медицинским изделием класса II или III, требующим клинических испытаний (FDA, CE MDR, ГОСТ Р). Мы гарантируем соблюдение этих норм на этапе архитектуры — править постфактум в 10× дороже.

Медицинская визуализация. Детекция на рентгенограммах, КТ, МРТ — зрелая область. Модели на ResNet, EfficientNet, SegFormer достигают AUC 0.94–0.97 на стандартных задачах (пневмония на CXR, полипы на колоноскопии). Ключевая проблема — generalization: модель, обученная на данных одного производителя сканера, деградирует на другом из-за различий в preprocessing и артефактах. Решение — domain adaptation через MONAI (Medical Open Network for AI) от NVIDIA, в котором встроены DICOM-loading, 3D augmentation и confidence calibration. TotalSegmentator — для автоматической сегментации 117 структур на КТ, production-ready, лицензия Apache 2.0.

Clinical NLP. Извлечение структурированной информации из клинических записей: диагнозы (ICD-10/11), назначения, даты, показатели. medspaCy, scispaCy, MedCAT — специализированные NLP-библиотеки с онтологиями (SNOMED-CT, UMLS). Fine-tuning BioBERT или ClinicalBERT на наших данных даёт F1 0.85–0.92 на NER задачах против F1 0.65–0.72 у общего BERT. Это мы проверяли на проекте с региональным онкологическим центром — точность извлечения стадий рака выросла на 23%.

Clinical decision support. LLM-ассистенты для поддержки клинических решений — регуляторно серая зона. Мы используем RAG-систему поверх клинических гайдлайнов (UpToDate, локальные протоколы) с явным указанием источника каждого утверждения. Модель не диагностирует, а помогает найти релевантный протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Данные в DICOM/HL7 FHIR, on-premise деплой обязателен.

Что входит в работу по медицинскому проекту:

• Аудит данных и регуляторной карты (FDA/CE/ГОСТ)
• Выбор архитектуры под тип медицинского изделия
• Разработка и валидация модели (AUC, sensitivity, specificity)
• Интеграция с PACS/EHR (HL7 FHIR)
• Подготовка документации для CE-маркирования (если требуется)
• Обучение персонала работе с моделью

Финансы: как обеспечить интерпретируемость скоринговой модели под требования Basel IV?

Финансовый сектор — один из самых зрелых по применению ML, но зарегулированность здесь максимальна. Каждая модель, влияющая на кредитные решения, подпадает под Basel IV, EU AI Act, GDPR Article 22. Мы это проходили — в 2023 году внедрили скоринговую модель для банка из топ-10, где каждая запись требовала объяснения по SHAP.

Кредитный скоринг. Gradient boosting (LightGBM, XGBoost) — доминирует. Нейронные сети дают +0.5–2% AUC, но теряют интерпретируемость. Стандарт: LightGBM + SHAP для объяснения каждого решения. Обязательна проверка на fairness: Fairlearn или aif360 для аудита disparate impact по protected attributes (возраст, пол). Класс «дефолт» составляет 1–5% — при имбалансе 1:30 модель с accuracy 97% может иметь recall 0.2. Решение: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмический трейдинг и риск-менеджмент. LSTM и Transformer для прогноза цен — популярны, но в production нестабильны из-за нестационарности финансовых рядов. Более надёжный подход: ML для signal generation (классификация: рост/падение за горизонт N) с традиционным portfolio optimization сверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичен правильный backtesting — look-ahead bias убивает результаты. Мы гарантируем чистоту эксперимента: все данные на момент сигнала доступны в реальном времени.

AML (Anti-Money Laundering). Graph Neural Networks для анализа транзакционных сетей — активно развивающаяся область. PyG, DGL для GNN. Задача: обнаружить suspicious patterns в графе транзакций (layering, structuring). Recall критичнее precision — лучше 10 ложных тревог, чем пропустить отмывание. В проекте для крупного платёжного сервиса мы повысили recall на 18% без увеличения false positive rate.

Что входит в работу по финансовому проекту:

• Аудит данных и регуляторных требований (Basel, EU AI Act)
• Выбор модели и обеспечение explainability (SHAP, LIME)
• Проверка fairness и отсутствие bias
• Интеграция с core banking / trading systems
• Документация и compliance-отчётность
• Мониторинг дрейфа модели и ретейн

Ритейл и e-commerce: рекомендательные системы и demand forecasting

Рекомендательные системы. Архитектурный стандарт последних лет: two-tower модель для retrieval + ranking с cross-features. TensorFlow Recommenders или Merlin от NVIDIA для GPU-accelerated feature processing. Для небольших каталогов (<100k item) достаточно LightFM. Частая ошибка — обучать на implicit feedback без учёта position bias. Решение: IPW (Inverse Propensity Weighting) или randomized logging на части трафика. Срок разработки базовой рекомендательной системы — 4–8 недель, включая A/B-тест.

Demand forecasting и inventory optimization. Иерархическое прогнозирование: SKU → категория → магазин → регион. HierarchicalForecast от Nixtla автоматически согласует прогнозы по уровням. TFT или N-HiTS для базового прогноза, gradient boosting для adjustment на экзогенных факторах (промо, погода, события). Один проект в ритейле привёл к снижению сток-аутов на 15% за счёт точного промо-калибровки.

Visual search и размерная совместимость. CLIP-embeddings для поиска по изображению — деплоится за 2–3 недели: clip-ViT-B-32 или clip-ViT-L-14, индекс Faiss или Qdrant, REST API. Для size recommendation — специфические модели на данных возвратов и отзывов с указанием fit.

Что входит в работу по ритейл-проекту:

• Анализ данных транзакций, товаров, клиентов
• Выбор архитектуры (collaborative / content-based / hybrid)
• Разработка и оценка качества (NDCG, recall@k, MRR)
• A/B-тест и мониторинг business impact
• Поддержка версионирования и переобучения моделей

Производство: инспекция качества и predictive maintenance

Quality control и дефектоскопия. CV-модели для инспекции продукции — одна из наиболее зрелых отраслевых задач. YOLOv10 для детекции дефектов, SegFormer для сегментации. Специфика: дисбаланс классов (дефекты редки), высокие требования к recall (пропуск дефекта хуже ложной тревоги). Типичный набор данных: 500–2000 изображений с дефектами + 500–1000 нормальных. Few-shot learning через DINO или SAM 2 позволяет работать с 50–100 аннотированными примерами. Мы получили опыт на линии по производству электроники — recall 0.95 при FPR 0.03.

Predictive maintenance. Вибрационные датчики, токовые датчики, термопары → feature extraction → аномалия или классификация режима. Модели: LSTM-AE для unsupervised, LightGBM для supervised (если есть история отказов). Интеграция с SCADA/OPC-UA через opcua-asyncio или MQTT. Ключевая метрика: False Negative Rate — пропущенный предотказ стоит дороже ложной тревоги. Порог настраивается под бизнес-стоимость каждого типа ошибки. Сроки: от 3 до 6 месяцев до production.

Digital twin и симуляция. Surrogate models — ML-модели, заменяющие дорогостоящее физическое моделирование. Если CFD-симуляция занимает 6 часов, а surrogate (обученная на 10 000 симуляций) — 0.01 секунды, это 2 000 000× ускорение для оптимизации. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Что входит в работу по производственному проекту:

• Аудит данных сенсоров / изображений
• Выбор модели под задачу (CV / time series / vibro)
• Разработка пайплайна (ETL, feature engineering, training)
• Развёртывание на Edge / on-premise
• Мониторинг и ретейн модели

Общие принципы отраслевого AI

Независимо от отрасли, есть паттерны, работающие везде. Данные важнее архитектуры. В медицине 1000 качественно размеченных снимков лучше 100 000 плохих. В производстве 200 реальных примеров дефектов ценнее 10 000 синтетических. Compliance-first design — регуляторные требования проще встроить в архитектуру с начала, чем добавить позже. Логирование, объяснимость, версионирование — с первого дня. Domain expert в команде — ML-инженер без domain knowledge делает медленно и с ошибками то, что ML-инженер плюс врач/финансист/технолог сделают быстро и правильно.

Мы гарантируем сертификацию под требования заказчика (ISO 13485, SOC 2, GDPR) и предоставляем полную документацию модели (model card, datasheet, compliance report). Наш опыт — 10 000+ часов инженерной практики и 80+ проектов.

Как проходит работа над отраслевым AI-решением?

1. Погружение в домен (2–3 дня) — интервью с экспертами, изучение регуляторных требований, аудит доступных данных.
2. Проектирование MVP (1–2 недели) — выбор стека, архитектуры, оценка feasibility.
3. Разработка и валидация (от 4 недель до 6 месяцев в зависимости от отрасли) — обучение модели, тестирование, compliance.
4. Интеграция и деплой (1–4 недели) — on-premise / cloud / edge, документация, обучение персонала.
5. Поддержка и мониторинг — дрейф модели, ретейн, SLA.

Ориентировочные сроки:

Стоимость рассчитывается индивидуально под каждый проект. Получите консультацию — оценим ваш датасет, регуляторную карту и бизнес-цели.

Почему стоит заказать отраслевое AI-решение у нас?

• 80+ реализованных проектов в финтехе, медицине, ритейле и производстве.
• 5 лет на рынке — устойчивый опыт работы с compliance и деплоем.
• Гарантия качества: мы отвечаем за достижение целевых метрик (AUC, recall, latency p99) и предоставляем полную документацию.
• Лицензированные технологии: PyTorch, MONAI, LightGBM, Qdrant — используем open-source с коммерчески безопасными лицензиями.
• Гибкость: работаем как подрядчик, так и в роли усиления вашей команды.

Свяжитесь с нами — обсудим вашу задачу и подготовим коммерческое предложение с планом работ.