Grade prediction с помощью AI: снижаем misclassification руды на 30%

Ошибка классификации руды — отправить богатую руду в отвал или пустую породу на фабрику — стоит миллионы долларов ежегодно. Мы сталкивались с этим на золоторудном месторождении в Казахстане: ординарный кригинг давал misclassification 35%. После внедрения ML-модели на XGBoost с пространственными признаками misclassification упал до 13%, что сэкономило предприятию ~$4 млн в год. Проблема кригинга: он требует стационарности и не учитывает литологию, геофизику, геохимию. ML (градиентный бустинг, случайный лес, 3D сверточные сети) строит нелинейные зависимости и использует все доступные данные.

Почему ML точнее кригинга?

Кригинг даёт BLUE-оценку при условии стационарности. В реальных рудных телах это условие нарушается: разломы, зоны окисления, прожилковая текстура. ML-модели (градиентный бустинг, random forest, 3D CNN) строят нелинейные зависимости и используют все доступные данные. XGBoost с пространственными фичами даёт RMSE в 1.75 раза ниже, чем ординарный кригинг — это 40% точности.

drill_data = {
    'x', 'y', 'z',           # координаты
    'au_g_t',                 # target
    'density',
    'lithology_code',
    'alteration_type',
    'magnetic_susceptibility',
    'ip_chargeability',
    'distance_to_fault'
}

Random Forest с пространственными фичами

from sklearn.ensemble import GradientBoostingRegressor
import numpy as np

def spatial_features(x, y, z, drill_holes):
    distances = np.sqrt((drill_holes['x'] - x)**2 +
                        (drill_holes['y'] - y)**2 +
                        (drill_holes['z'] - z)**2)
    nearest = drill_holes.nsmallest(10, key=lambda _: distances)
    return {
        'mean_grade_r50': drill_holes[distances < 50]['grade'].mean(),
        'max_grade_r100': drill_holes[distances < 100]['grade'].max(),
        'nearest_grade': nearest.iloc[0]['grade'],
        'grade_gradient': (nearest.iloc[0]['grade'] - nearest.iloc[5]['grade']) / distances.nsmallest(5).mean()
    }

XGBoost с геологическими доменами: строим отдельные модели для каждого литотипа × зоны изменения. Результат — точнее, чем единая глобальная модель. 3D CNN на воксельной модели даёт прирост точности до 25% по сравнению с кригингом на сложных месторождениях.

Как обеспечить надежность прогноза?

Обычный k-fold CV завышает оценку из-за пространственной корреляции. Мы используем Spatial Block CV — блоки разбиваются по географическим квадрантам, и Leave-One-Block-Out. На медном месторождении в Чили такая кросс-валидация показала, что ансамбль XGBoost и 3D CNN снижает misclassification с 28% до 11%, экономя $6 млн в год.

Как строится блочная модель?

Для каждого блока 5×5×5 м прогнозируем Au г/т. Оптимизируем threshold через ROC-анализ с экономическими весами:

cutoff_grade = 0.3  # г/т
for block in mining_blocks:
    predicted_grade = model.predict(block.features)
    block.destination = 'mill' if predicted_grade >= cutoff_grade else 'waste'

Что входит в работу?

• ML-модель с документацией и метриками валидации.
• Интеграция блочной модели в существующую систему (Datamine, Vulcan, Leapfrog).
• Pipeline автоматического реконсилейшена и переобучения.
• Обучение геологов и технологов работе с моделью.
• Техническая поддержка на этапе эксплуатации (3–6 месяцев).

Процесс работы

1. Аудит данных: сбор, очистка, построение feature store.
2. Feature engineering: пространственные и геологические признаки.
3. Обучение и валидация: XGBoost, Random Forest, 3D CNN с Spatial Block CV.
4. Интеграция: блочная модель + система маршрутизации.
5. Сопровождение: reconciliation, корректировка модели по факту.

Типичные ошибки и как их избежать

• Игнорирование пространственной корреляции → всегда используем Spatial CV.
• Переобучение на геофизические данные → применяем регуляризацию и стратификацию по доменам.
• Усреднение по всем литотипам → строим отдельные модели для каждого геологического домена.

Интеграция с горнодобывающим ПО

Предсказанные оценки содержания передаются в стандартные блочные модели. Поддерживаемые форматы: Datamine CSV, Vulcan BMTF, Leapfrog CSV/DXF, Micromine CSV. Для реального времени подключаем XRF-анализатор на конвейере (поддержка OPCUA и Modbus протоколов). Reconciliation pipeline сравнивает прогноз добычного блока с фактическим химанализом после выемки и автоматически корректирует bias модели ежемесячно. Журнал корректировок ведётся в MLflow. Такой подход позволяет системе самокалиброваться по мере поступления новых лабораторных данных без остановки производства.

Сроки и стоимость

Базовая модель (геостатистика + XGBoost + блочная маршрутизация) — 5–7 недель. Полноценная система с 3D геофизикой, real-time XRF и reconciliation pipeline — 3–4 месяца. Стоимость рассчитывается индивидуально после аудита данных.

Свяжитесь с нами для предварительного аудита данных — мы оценим потенциал снижения misclassification на вашем месторождении и предложим конкретную архитектуру. Закажите консультацию, чтобы обсудить детали вашего месторождения. Наши инженеры имеют сертифицированный опыт в MLOps и геостатистике более 5 лет. Реализовали более 15 проектов по предиктивной классификации руды на месторождениях золота, меди и железа.

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.