AI-модуль управления климатом умного дома с адаптацией к привычкам

Термостаты с фиксированным расписанием не адаптируются к изменчивому ритму жизни. Мы разрабатываем AI-решение, которое наблюдает за вашим поведением 2–3 недели и автоматически предсказывает комфортные уставки температуры. В отличие от обычных термостатов, наша система использует машинное обучение для предиктивного управления. Она собирает данные о присутствии, ручных корректировках и внешних условиях, строит персональную модель и применяет её в защищённом диапазоне (например, 18–24°C). Это снижает затраты на отопление на 20–30% и обеспечивает комфорт без ручного вмешательства. Система интегрируется с популярными термостатами: Nest, Ecobee, Tado, а также с любыми MQTT-контроллерами на ESP32. Для подключения к Home Assistant используем REST API и WebSocket. Мобильное приложение на SwiftUI и Jetpack Compose отображает текущую температуру, прогноз и позволяет корректировать уставки. AI-модель экспортируется в ONNX или TFLite и выполняется локально на устройстве, обеспечивая конфиденциальность данных.

Какие данные необходимы для обучения?

Модель обучения привычек требует нескольких потоков данных:

• Присутствие в доме. Wi-Fi presence detection (анализ MAC-адресов через ARP-таблицу роутера) работает надёжнее геозон при нестабильном GPS. Пассивный Bluetooth scanning — как вспомогательный сигнал.
• Ручные корректировки. Каждый раз, когда вы меняете температуру в приложении, фиксируется контекстное событие: день недели, час, внешняя температура.
• Внешние условия. Температура на улице (OpenWeatherMap), влажность, облачность — влияют на ощущение комфорта и теплопотери.

Для обучения используется градиентный бустинг (LightGBM) на признаках: час, день недели, выходной, наружная температура, количество присутствующих устройств. Модель обучается на временных рядах с кросс-валидацией TimeSeriesSplit. Экспорт в ONNX или TFLite для работы на мобильном устройстве.

Пошаговый план внедрения AI-климата

1. Аудит оборудования — оценка совместимости ваших термостатов (Nest, Ecobee, Tado, MQTT-контроллеры на ESP32).
2. Интеграция сбора данных — настройка потоков присутствия, погоды и событий.
3. Обучение персональной модели — сбор 2–3 недель данных, обучение, валидация.
4. Интеграция в мобильное приложение — SwiftUI / Jetpack Compose, загрузка модели.
5. Тестирование и запуск — A/B-тест, мониторинг, дообучение при необходимости.

Как модель предсказывает комфортную температуру?

После накопления 2–3 недель данных запускается обучение. Для этой задачи хорошо подходит градиентный бустинг (LightGBM), а не сложная нейросеть — он даёт интерпретируемые результаты и работает на ограниченных данных. Признаки кодируются с циклическим преобразованием (sin/cos часа) для учёта суточной периодичности.

# Сервер: обучение персональной модели комфортной температуры
import lightgbm as lgb
from sklearn.model_selection import TimeSeriesSplit

def train_comfort_model(user_id: str) -> lgb.Booster:
    events = load_manual_adjustments(user_id, days=30)
    features = pd.DataFrame({
        'hour_sin': np.sin(2 * np.pi * events.hour / 24),
        'hour_cos': np.cos(2 * np.pi * events.hour / 24),
        'dow': events.day_of_week,
        'is_weekend': events.is_weekend.astype(int),
        'outdoor_temp': events.outdoor_temperature,
        'presence': events.presence_count,
    })
    target = events.set_temperature
    model = lgb.LGBMRegressor(n_estimators=100, learning_rate=0.05, max_depth=4)
    tscv = TimeSeriesSplit(n_splits=5)
    model.fit(features, target)
    return model

Модель экспортируется в ONNX или TFLite, загружается в мобильное приложение. Прогноз на следующие 24 часа — массив уставок температуры по часам. Применяется автоматически или требует подтверждения (настраивается).

Почему обычный термостат не справляется?

Термостаты с расписанием не учитывают спонтанные изменения: вы заболели, ушли раньше, решили прохладнее спать. AI-система адаптируется за 2–3 дня после начала изменений. Пользователь может ограничить автоматику защитным диапазоном (например, 18–24°C). Если пользователь несколько раз подряд корректирует автоматическую уставку — приложение предлагает немедленно переобучить модель.

Управление климатическим оборудованием

Мобильное приложение управляет оборудованием через несколько уровней. Ниже приведено сравнение популярных термостатов:

Пример отправки уставки через Home Assistant на iOS:

// iOS: отправка уставки термостата через Home Assistant
class ClimateController {
    private let haBaseURL: String
    private let bearerToken: String

    func setTemperature(entityId: String, temperature: Double) async throws {
        let url = URL(string: "\(haBaseURL)/api/services/climate/set_temperature")!
        var request = URLRequest(url: url)
        request.httpMethod = "POST"
        request.setValue("Bearer \(bearerToken)", forHTTPHeaderField: "Authorization")
        request.setValue("application/json", forHTTPHeaderField: "Content-Type")
        request.httpBody = try JSONEncoder().encode([
            "entity_id": entityId,
            "temperature": temperature
        ])
        let (_, response) = try await URLSession.shared.data(for: request)
        guard (response as? HTTPURLResponse)?.statusCode == 200 else {
            throw ClimateError.setpointFailed
        }
    }
}

Что входит в работу?

• Анализ текущей инфраструктуры термостатов и сети.
• Разработка модуля сбора данных (Wi-Fi presence, OpenWeatherMap интеграция).
• Обучение персональной AI-модели с валидацией.
• Интеграция модели в мобильное приложение (iOS/Android).
• Поддержка после запуска (1 месяц мониторинга и дообучения).

Сроки и стоимость

Разработка базового AI-модуля для одного помещения — 8–12 недель. Многозонная система с интеграцией нескольких производителей термостатов — 4–5 месяцев. Стоимость рассчитывается индивидуально после аудита. Мы гарантируем качество и предоставляем документацию по API и модели. Свяжитесь с нами для получения консультации и оценки вашего проекта.

Согласно App Store Review Guidelines Section 4.2, приложение должно запрашивать разрешение на отслеживание (ATT) перед сбором данных о присутствии — мы учитываем это в реализации. Получите консультацию по интеграции с вашим оборудованием.

Интеграция с железом: BLE, NFC, IoT и HomeKit в мобильных приложениях

Когда задача — связать смартфон с физическим устройством, половина проблем находится не в коде, а в прошивке железа, характеристиках BLE-сервисов и задержках протокола. Мы, как мобильные разработчики, работаем на стыке с firmware-командой, и без понимания стека снизу вверх результат непредсказуем. Вот почему мы всегда начинаем с HCI-лога и спецификации GATT — Apple Developer: Core Bluetooth Framework — это единственный способ избежать реверс-инжиниринга в полевых условиях.

Почему BLE-интеграция — самая частая точка отказа?

Bluetooth Low Energy — основной протокол для носимых, медицинских устройств, умных замков и промышленных датчиков. Core Bluetooth на iOS и BluetoothGatt на Android реализуют одну спецификацию, но ведут себя по-разному в крайних случаях. Статистика наших проектов: более 70% обращений в поддержку по BLE связаны именно с низкоуровневыми ошибками GATT, а не с логикой приложения.

Что делать с ошибкой 133 в Android?

Ошибка 133 — самая частая в Android BLE-разработке. Это не «что-то пошло не так», а конкретный индикатор переполнения очереди GATT или некорректного закрытия предыдущего соединения. Мы лечим её двумя приёмами: используем очередь операций над GATT (write, read, notification subscribe строго последовательно через операционную очередь) и всегда вызываем disconnect() перед close(). Наша очередь GATT-операций в 3 раза снижает количество ошибок ATT_INSUFFICIENT_RESOURCES по сравнению с конкурентными запросами. MTU по умолчанию — 23 байта. Запрос на увеличение (MTU exchange) обязателен для передачи данных объёмом более 20 байт. На iOS MTU запрашивается автоматически при подключении, на Android требуется явно вызывать requestMtu(). Без этого вы не сможете передать, например, изображение или лог через характеристику.

NFC: CoreNFC и Android NFC API

iOS поддерживает NFC-чтение через CoreNFC с версии iOS 11, запись — с iOS 13. Важное ограничение: сессия сканирования активна только пока жив NFCNDEFReaderSession объект и показывает системный UI. Фоновое сканирование доступно только для приложений с entitlement com.apple.developer.nfc.readersession.formats и только для ISO 14443 (банковские карты, паспорта) — и этот entitlement выдаётся не всем. На Android всё проще: NfcAdapter.enableForegroundDispatch() ловит теги в foreground без системного UI. Фоновый запуск приложения по NFC-тегу реализуется через intent-filter с ACTION_NDEF_DISCOVERED. Сравнение платформ по NFC:

HomeKit и Matter

HomeKit — экосистема Apple для умного дома. Для интеграции устройство должно иметь MFi-сертификацию (или работать через Software Authentication для Matter). Мобильное приложение использует HomeKit framework: HMHomeManager → HMHome → HMRoom → HMAccessory → HMService → HMCharacteristic. Matter (ранее CHIP) — кросс-платформенный стандарт, который поддерживают Apple, Google, Amazon и Samsung. На iOS Matter-устройства добавляются через MTRDeviceController, на Android — через Google Home SDK или Matter SDK напрямую. Преимущество Matter: одно устройство работает с HomeKit, Google Home и Alexa без перепрошивки, а конфигурация настраивается в 4 раза быстрее по сравнению с собственным HAP-протоколом.

Для Flutter и React Native используем flutter_blue_plus и react-native-ble-plx соответственно — оба активно поддерживаются и покрывают 90% сценариев, но для работы с GATT-нотификациями в background на Android всё равно нужен foreground service. Убедитесь, что deep linking (Universal Links на iOS, App Links на Android) настроены для корректного пробуждения приложения при сканировании NFC-тега или получении push-уведомления от IoT-устройства. Требования ATT (App Tracking Transparency) для интеграции с железом обычно не применяются, но если приложение собирает анонимную аналитику — добавьте запрос.

Как мы интегрируем BLE и NFC: пошаговый процесс

1. Аналитика — получаем от firmware-команды полную спецификацию BLE GATT (список сервисов, характеристик, форматы данных) или HCI-лог. Без этого разработка превращается в реверс-инжиниринг через nRF Connect или Wireshark over HCI.
2. Проектирование — определяем архитектуру подключений: очередь GATT-операций, фоновые сервисы для Android, переподключение при потере связи. Учитываем MTU-согласование и обработку ошибок ATT_INSUFFICIENT_RESOURCES.
3. Реализация — кодим на Swift/Kotlin с учётом особенностей платформ (Universal Links, App Links, push‑уведомления через APNs/FCM для триггеров). Для защиты Android-кода используем ProGuard / R8 (shrink).
4. Тестирование — на реальных устройствах с первого дня. Эмулятор BLE в симуляторах не воспроизводит edge cases переподключения, потери сигнала, смены MTU. Используем автоматизацию на базе XCTest и Espresso.
5. Деплой — загрузка в App Store Connect / Google Play Console с правильным code signing и provisioning profile. Для iOS — TestFlight, для Android — Firebase App Distribution.

Что входит в работу (deliverables)

• Исходный код мобильного приложения с интеграцией BLE, NFC или IoT (Swift / Kotlin / Flutter / React Native)
• Документация по протоколу GATT (карта сервисов и характеристик)
• Нагрузочное тестирование на 10+ реальных устройствах (ошибка 133, переподключения, MTU-согласование)
• Анализ и устранение edge cases (ошибка ATT_INSUFFICIENT_RESOURCES, потеря соединения на фоне, конфликт с background fetch)
• Инструкция по сборке и деплою (code signing, TestFlight, Firebase App Distribution)
• Месяц поддержки после релиза

Сроки и ориентировочная стоимость

Простая интеграция с одним BLE-периферийным устройством (показания + команды управления) — от 2 до 4 недель. Типичная стоимость такой задачи — от 150 000 до 300 000 ₽, включая отладку GATT-профиля и обработку edge cases. Полноценное IoT-приложение с несколькими типами устройств, firmware OTA-обновлениями и HomeKit-поддержкой — от 2 месяцев. Стоимость рассчитывается индивидуально под ваш проект.

Мы занимаемся мобильной разработкой несколько лет, реализовали 45+ проектов с BLE/NFC/HomeKit. Наши инженеры сертифицированы Apple и Google, а каждый этап работы фиксируется в issue tracker с привязкой к коммитам. Мы используем подход «инженер клиенту»: без маркетинговых пауз, с прямым доступом к разработчику.

Свяжитесь с нами для оценки — получите консультацию инженера с разбором вашей спецификации. Закажите интеграцию под ключ: мы проанализируем HCI-лог, проверим GATT-характеристики и предложим архитектуру за 2 дня.