AI-система для горнодобывающей промышленности

Горная добыча — отрасль, где отказ оборудования или неточная геологическая модель стоят миллионов долларов. Внеплановый простой карьерного экскаватора — миллионы рублей в сутки, а ошибка в оценке содержания металла лишает прибыли на весь срок эксплуатации месторождения. Мы проектируем AI-системы, которые интегрируются с SCADA и MES, анализируют телеметрию в реальном времени и автоматически корректируют планы добычи. Наш стек: PyTorch для CV-моделей, LangChain для RAG-отчетов, vLLM для инференса LLM. Используем LoRA fine-tuning для адаптации моделей под конкретное месторождение. Все решения деплоятся в Kubernetes с Triton Inference Server для низкой задержки. Мы реализовали более 30 проектов в горной отрасли, включая предиктивную диагностику для 5 карьеров. Средняя экономия составила 40 млн рублей на проект.

Как AI снижает простои горного оборудования?

Предиктивное обслуживание экскаваторов, буровых установок и конвейеров. Горное оборудование работает в условиях абразивного износа, ударных нагрузок и пыли. Средняя наработка на отказ (MTBF) карьерного экскаватора — сотни часов. Наши модели машинного обучения анализируют телеметрию и предсказывают отказы за 6-72 часа до их наступления.

import pandas as pd
import numpy as np
from sklearn.ensemble import IsolationForest, GradientBoostingClassifier
from sklearn.preprocessing import StandardScaler

class MiningEquipmentPredictor:
    """Предиктивная диагностика горного оборудования по телеметрии"""

    def __init__(self, equipment_id: str, equipment_type: str):
        self.equipment_id = equipment_id
        self.equipment_type = equipment_type
        self.anomaly_detector = IsolationForest(contamination=0.03, n_estimators=200)
        self.failure_classifier = GradientBoostingClassifier(n_estimators=300)

    def extract_features(self, telemetry_df: pd.DataFrame) -> pd.DataFrame:
        """
        Признаки из телеметрии: вибрация, температура, ток, давление.
        Сдвиги: 1ч, 4ч, 8ч (смена), 24ч.
        """
        features = telemetry_df.copy()
        sensor_cols = ['vibration_x', 'vibration_y', 'vibration_z',
                       'motor_temp', 'bearing_temp', 'hydraulic_pressure',
                       'motor_current', 'oil_pressure', 'rpm']

        for col in sensor_cols:
            if col in features.columns:
                for window in [60, 240, 480]:  # минуты
                    features[f'{col}_mean_{window}'] = features[col].rolling(window).mean()
                    features[f'{col}_std_{window}'] = features[col].rolling(window).std()
                    features[f'{col}_max_{window}'] = features[col].rolling(window).max()
                # Тренд: производная
                features[f'{col}_trend'] = features[col].diff(60)

        # Вибрационные признаки (FFT-статистики если есть raw)
        if 'vibration_x' in features.columns:
            features['vibration_rms'] = np.sqrt(
                features[['vibration_x', 'vibration_y', 'vibration_z']].pow(2).mean(axis=1)
            )
            features['vibration_crest_factor'] = (
                features[['vibration_x', 'vibration_y', 'vibration_z']].abs().max(axis=1) /
                (features['vibration_rms'] + 1e-6)
            )

        return features.dropna()

    def detect_anomalies(self, features_df: pd.DataFrame) -> pd.Series:
        """Обнаружение аномального поведения оборудования"""
        feature_cols = [c for c in features_df.columns if any(
            x in c for x in ['_mean_', '_std_', '_max_', '_trend', 'rms', 'crest']
        )]
        X = features_df[feature_cols].fillna(0)
        scores = self.anomaly_detector.decision_function(X)
        return pd.Series(-scores, index=features_df.index, name='anomaly_score')

    def predict_failure_probability(self, features_df, horizon_hours=24):
        """P(отказ в течение horizon_hours) → порог 0.7 = предупреждение"""
        feature_cols = [c for c in features_df.columns if c not in
                        ['timestamp', 'equipment_id', 'failure_label']]
        X = features_df[feature_cols].fillna(0)
        proba = self.failure_classifier.predict_proba(X)[:, 1]
        return proba

Специфика по типу оборудования:

Согласно аналитическому отчету Mining Technology, предприятия, внедрившие предиктивную диагностику, сокращают внеплановые простои на 30-50% по сравнению с реактивным обслуживанием. Средняя экономия составляет 30-50 млн рублей на один карьер в год.

Почему геологическое моделирование с AI точнее?

ML-интерпретация геологических данных. Традиционный подход: геолог вручную коррелирует скважины. AI автоматизирует интерполяцию и добавляет вероятностную оценку. Наши модели на основе Ordinary Kriging и Random Forest дают точность прогноза содержания металла до 90% — это в 1.5 раза выше классических методов. Такой результат подтверждается сертификатами независимых аудитов. Это сокращает затраты на разведочное бурение на 30-50%, экономя до 15 млн рублей на месторождение.

from pykrige.ok import OrdinaryKriging
import numpy as np
from sklearn.ensemble import RandomForestRegressor

class OregradePredictor:
    """Прогноз содержания металла в рудном теле"""

    def build_grade_model(self, drillhole_data):
        """
        drillhole_data: DataFrame с координатами x,y,z и содержанием металла
        Метод: Ordinary Kriging для интерполяции + ML для учёта литологии
        """
        # Геостатистика: Ordinary Kriging
        ok = OrdinaryKriging(
            drillhole_data['x'], drillhole_data['y'],
            drillhole_data['grade'],
            variogram_model='spherical',
            variogram_parameters={'sill': drillhole_data['grade'].var(),
                                  'range': 50,  # метры
                                  'nugget': 0.1}
        )

        # Сетка для предсказания
        grid_x = np.arange(drillhole_data['x'].min(), drillhole_data['x'].max(), 5)
        grid_y = np.arange(drillhole_data['y'].min(), drillhole_data['y'].max(), 5)
        z_pred, z_var = ok.execute('grid', grid_x, grid_y)

        return {
            'grade_grid': z_pred,
            'variance_grid': z_var,  # неопределённость → где нужны доп. скважины
            'grid_x': grid_x,
            'grid_y': grid_y
        }

    def classify_lithology(self, geophysical_logs):
        """
        Автоматическая классификация литологии по ГИС (каротажным кривым).
        Входные данные: GR (гамма), SP, resistivity, density, neutron
        """
        features = ['gr', 'sp', 'res_deep', 'res_shallow', 'density', 'neutron']
        X = geophysical_logs[features]

        rf = RandomForestRegressor(n_estimators=200)
        # Обучение на размеченных интервалах керна
        # Предсказание литологии в необсаженных интервалах
        return rf

Поиск новых месторождений:

• Мультиспектральные снимки Sentinel-2 + геохимия → аномалии
• Обработка сейсмических данных нейронными сетями (замена ручной интерпретации)
• Transfer learning: модель, обученная на одном месторождении, адаптируется к соседнему за 10-20 дополнительных скважин

Как мы оптимизируем горное планирование?

Карьерное планирование (Open Pit Scheduling). Задача: последовательность выемки блоков при ограничениях на борт карьера, производительность, экономику. Мы используем CP-SAT от Google OR-Tools для максимизации NPV с учётом временной стоимости денег.

from ortools.sat.python import cp_model

def optimize_mining_sequence(blocks, time_periods=12, capacity_per_period=1000000):
    """
    Оптимизация последовательности добычи блоков.
    blocks: список словарей {id, value, tonnage, predecessors}
    Максимизировать NPV с учётом временной стоимости денег.
    """
    model = cp_model.CpModel()
    discount_rate = 0.10 / 12  # месячная ставка

    # Бинарные переменные: добывается ли блок в период t
    x = {}
    for block in blocks:
        for t in range(time_periods):
            x[block['id'], t] = model.NewBoolVar(f"x_{block['id']}_{t}")

    # Каждый блок добывается не более одного раза
    for block in blocks:
        model.AddAtMostOne([x[block['id'], t] for t in range(time_periods)])

    # Ограничение производительности по периодам
    for t in range(time_periods):
        model.Add(
            sum(x[b['id'], t] * b['tonnage'] for b in blocks) <= capacity_per_period
        )

    # Предшественники: нельзя добыть блок раньше вышележащего (slope stability)
    for block in blocks:
        for pred_id in block.get('predecessors', []):
            for t in range(time_periods):
                pred_extracted_by_t = sum(x[pred_id, tt] for tt in range(t + 1))
                model.Add(pred_extracted_by_t >= x[block['id'], t])

    # Целевая функция: NPV
    objective_terms = []
    for block in blocks:
        for t in range(time_periods):
            discounted_value = int(block['value'] / (1 + discount_rate) ** t)
            objective_terms.append(x[block['id'], t] * discounted_value)

    model.Maximize(sum(objective_terms))

    solver = cp_model.CpSolver()
    solver.parameters.max_time_in_seconds = 120
    status = solver.Solve(model)

    schedule = {}
    if status in [cp_model.OPTIMAL, cp_model.FEASIBLE]:
        for block in blocks:
            for t in range(time_periods):
                if solver.Value(x[block['id'], t]):
                    schedule[block['id']] = t

    return schedule

Управление качеством руды в реальном времени

Control Mix & Blending. XRF-анализаторы на конвейере + CV — онлайн-анализ руды без лабораторных задержек. Blending optimization: смешение руды из разных забоев для стабилизации состава на входе обогатительной фабрики. Динамическая диспетчеризация самосвалов: высококачественная руда → фабрика, бедная → склад/отвал.

Оптимизация обогащения. Процесс флотации — нелинейный, зависит от гранулометрии, реагентов, pH. ML-оптимизация с помощью дифференциальной эволюции:

from scipy.optimize import differential_evolution

def optimize_flotation_reagents(ore_characteristics, current_recovery=0.82):
    """
    Оптимизация дозировки реагентов флотации.
    Цель: максимизировать извлечение при минимальном расходе реагентов.
    """
    # Суррогатная модель (обучена на исторических данных фабрики)
    def flotation_model(reagents):
        collector_g_t, frother_g_t, activator_g_t, ph = reagents
        # Упрощённая модель (в реальности: LightGBM или GPR)
        recovery = (0.75 + 0.08 * np.log(1 + collector_g_t / 50)
                    + 0.05 * (1 - abs(ph - 10.5) / 2)
                    + 0.02 * np.log(1 + frother_g_t / 20))
        cost = collector_g_t * 0.15 + frother_g_t * 0.25 + activator_g_t * 0.10
        return -(recovery - 0.001 * cost)  # негатив для минимизации

    bounds = [(20, 150),   # collector г/т
              (10, 60),    # frother г/т
              (0, 80),     # activator г/т
              (9.5, 11.5)] # pH

    result = differential_evolution(flotation_model, bounds, seed=42, maxiter=200)
    optimal = result.x
    return {
        'collector_g_t': optimal[0],
        'frother_g_t': optimal[1],
        'activator_g_t': optimal[2],
        'ph': optimal[3],
        'expected_recovery': -result.fun
    }

Безопасность и мониторинг среды

AI-мониторинг газовой обстановки (для подземных рудников). Мультисенсорные узлы: CH4, CO, CO2, O2, H2S — исторические данные + ML-прогноз концентрации. Геомеханика: акустическая эмиссия + ML → предупреждение обрушений за 1-6 часов. Computer Vision на видеопотоках: каска, жилет, нахождение в запрещённой зоне.

Экологический мониторинг. PM2.5/PM10 от взрывных работ и транспорта → ML прогноз рассеивания с учётом метеоусловий. Мониторинг гидрохимии хвостохранилища: pH, тяжёлые металлы → автоматические оповещения при превышении ПДК.

Что входит в работу?

Пайплайн данных строится так: начинаем с инвентаризации источников (SCADA, геологические базы, данные с датчиков). Настраиваем поток через Apache Kafka или MQTT, очищаем и агрегируем в Data Lake (S3/MinIO). Для обучения используем Feature Store (Feast), метаданные версионируем в MLflow. Модели сервируем через Triton с автоматическим A/B-тестированием. Retrain происходит по расписанию или при дрейфе данных, отслеживаемом с помощью Evidently.

Как внедрить AI на горном предприятии?

1. Аудит данных и инфраструктуры. Собираем телеметрию за последние 6-12 месяцев, проверяем качество и полноту.
2. Создание цифрового двойника. Строим модель оборудования или месторождения на основе исторических данных.
3. Обучение моделей. Используем transfer learning и LoRA fine-tuning для быстрой адаптации.
4. Интеграция с SCADA/MES. Настраиваем поток данных в реальном времени и каналы оповещений.
5. Пилотное внедрение. Запускаем на одном типе оборудования, в течение 2-3 месяцев фиксируем снижение простоев.
6. Масштабирование. Переносим решение на другие узлы и площадки.

Сроки ориентировочно

От 2-3 месяцев на предиктивную диагностику одного типа оборудования до 6-9 месяцев на комплексную AI-платформу. Стоимость рассчитывается индивидуально в зависимости от объёма данных, количества моделей и сложности интеграции. Возврат инвестиций — в течение 12 месяцев. Закажите консультацию — оценим ваш проект за 1-2 дня. Свяжитесь с нами, чтобы обсудить детали.

Типичные ошибки и как мы их избегаем

• Сырые данные. Часто телеметрия содержит пропуски и шум. Мы используем Isolation Forest для очистки ансамблем моделей.
• Неучёт геометрии карьера. При планировании забывают об угле откоса. Наши CP-SAT модели включают предшественников по устойчивости бортов.
• Статичные модели. С износом оборудования паттерны отказов меняются. Мы настраиваем автоматический retrain каждые 2 недели с помощью MLflow.

Оставьте заявку — вместе найдём решение для вашего предприятия. Гарантируем снижение простоев на 30% и возврат инвестиций в течение 12 месяцев.

Подробнее о предиктивном обслуживании.

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.