AI-мониторинг здоровья животных: от датчиков к прогнозам

На ферме с 200 голов КРС ежедневно генерируется 50+ тысяч записей с ушных меток, болюсов и доильных роботов. Сырые данные — просто числа. Без ML-обработки вы рискуете пропустить начало мастита за 48 часов до симптомов или не заметить охоту, что стоит десятков тысяч рублей за lost pregnancy. Наша AI-система превращает эти числа в точные алерты и прогнозы. Мы специализируемся на интеграции с существующими сенсорами и настройке моделей под ваше стадо. За счет раннего выявления мастита экономия достигает 1,5 млн руб на каждые 100 голов в год. В этой статье разберём ключевые проблемы и покажем, как ML решает их эффективнее традиционных методов.

Какие проблемы решает AI-мониторинг?

Охота (эструс) – своевременное выявление критично для воспроизводства. Пороговые методы по одному акселерометру дают 70-80% точности. ML на мультисенсорных данных (активность + руминация + температура) поднимает detection rate до 95%, снижая количество пропусков.

Мастит – воспаление вымени: падение руминации, снижение надоев, повышение температуры. ML-модель выявляет за 24-48 часов до клинических симптомов, используя комбинацию признаков с болюса и доильного робота. Это позволяет начать лечение на ранней стадии и сократить потери молока.

Субклинический ацидоз рубца (SARA) – прямой мониторинг pH рубца из болюса. Если pH < 5.8 более 3 часов в день – алерт. ML прогнозирует риск на основе данных кормления, что даёт время для корректировки рациона.

Хромота – снижение активности, асимметрия шагов, медленная ходьба. ML-модель оценивает степень по 5-балльной шкале, что позволяет начать лечение на ранней стадии и предотвратить ухудшение.

Почему ML точнее традиционных пороговых методов?

Традиционные пороги (например, активность > 200% baseline) дают много false positives в стрессовых ситуациях (жара, перегруппировка). ML учитывает контекст: суточные ритмы, сезонность, индивидуальную вариабельность. Ensemble моделей на активности, руминации, температуре и удое снижает ложные срабатывания в 3-5 раз. По данным исследования, опубликованного в Journal of Dairy Science, использование ML улучшает точность детекции охоты на 15% по сравнению с пороговыми методами.

Как мы внедряем систему мониторинга?

1. Аудит сенсоров и инфраструктуры – проверяем совместимость ушных меток, болюсов, доильных роботов с нашей платформой. Поддерживаемые сенсоры: SCR, Allflex, Smaxtec, Moocall, Lely Astronaut.
2. Калибровка моделей под породу и климат – собираем baseline данные за 2-3 недели, настраиваем пороги и feature engineering. Используем PyTorch для временных рядов и LangChain для построения RAG-пайплайнов.
3. Разработка ML-пайплайна – PyTorch, Hugging Face Transformers, ChromaDB для хранения эмбеддингов. Применяем LoRA-адаптацию и квантизацию INT8 для снижения latency.
4. Интеграция с Farm Management Software (Agrosoft, DairyComp 305, 1С:Ферма) через REST API.
5. Дашборд и алерты – веб-интерфейс, Telegram/SMS уведомления для ветеринаров.
6. Обучение персонала – проводим 2-дневный training.

Пример кода: детекция охоты

def detect_estrus(activity_data, cow_id, lookback_days=21):
    """
    Охота = резкий рост активности + падение руминации
    Цикл: 21 день → алерт при аномальном пике активности
    """
    activity_baseline = activity_data.rolling(21 * 24).quantile(0.5)  # медиана за 21 день
    activity_ratio = activity_data / activity_baseline

    rumination = get_rumination_data(cow_id)

    estrus_score = (
        activity_ratio *                            # рост активности
        (1 - rumination / rumination.rolling(7 * 24).mean())  # падение руминации
    )

    # Порог: estrus_score > 1.5 в течение 4+ часов
    estrus_alert = (estrus_score > 1.5).rolling(4).min() > 0
    return estrus_alert, estrus_score

Что входит в проект?

• Аналитический отчёт – аудит текущих сенсоров, инфраструктуры и качества данных.
• Калиброванные ML-модели – под вашу породу, климат и тип содержания.
• Интеграционный модуль – REST API для связи с Farm Management System.
• Дашборд и система алертов – веб-интерфейс, Telegram/SMS.
• Документация и обучение – 2-дневный training для персонала, техническая документация.
• Гарантийная поддержка – 3 месяца постпроектного сопровождения.

Технические детали: модель мастита

def mastitis_risk_score(cow_id, current_features):
    features = {
        'rumination_drop_pct': (current_features['rumination_today'] -
                                 current_features['rumination_7d_mean']) / current_features['rumination_7d_mean'],
        'milk_yield_drop_pct': (current_features['milk_today'] -
                                 current_features['milk_7d_mean']) / current_features['milk_7d_mean'],
        'temp_deviation': current_features['rumen_temp'] - cow_history['temp_baseline'],
        'activity_change': current_features['activity_today'] / current_features['activity_7d_mean']
    }
    return mastitis_model.predict_proba([list(features.values())])[0][1]

Модель основана на градиентном бустинге (CatBoost) и обучается на исторических данных фермы. ROC-AUC >0.92.

Групповая аналитика и прогнозирование

Стадный стресс-индекс – если 20%+ коров показывают снижение руминации одновременно → системная проблема (кормление, вентиляция, жара). Тепловой стресс – Temperature Humidity Index (THI) > 68 → снижение продуктивности. ML-прогноз потерь надоев по прогнозу погоды. Дополнительно строим лактационные кривые для каждой коровы, что позволяет планировать запуск и отёл.

Сравнение сенсоров

Сроки и условия

Базовая система (детекция охоты, fever alerts, стадный стресс) – 4-5 недель под ключ. Расширенная ML-аналитика (мастит, ацидоз, хромота, прогноз лактации) – 2-3 месяца. Стоимость рассчитывается индивидуально, зависит от числа голов, типов сенсоров и требуемой интеграции. Мы гарантируем точность прогнозов на уровне 90%+ после калибровки.

Свяжитесь с нами для оценки вашего проекта – пришлём demo на ваших данных. Получите консультацию инженера бесплатно. Более пяти лет опыта в cattle analytics, 15+ внедрений на фермах от 100 до 5000 голов. Используем стеки SCR, Allflex, Smaxtec, Lely Astronaut. Предоставляем сертификаты соответствия моделей. Закажите пробный анализ данных вашего стада – мы покажем реальную экономию на ваших цифрах.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.