AI-система керування розумним освітленням за даними датчиків

Датчики руху — дешевий спосіб керувати освітленням, але вони сліпі: світло вмикається із затримкою, гасне, коли людина ще в приміщенні, не враховує денне світло. Результат — 30% енергії витрачається марно. Ми, команда з 5-річним досвідом у ML-автоматизації будівель (понад 50 реалізованих проектів), вирішуємо цю проблему інакше: навчаємо модель прогнозувати occupancy та плавно регулювати яскравість під реальні умови. Система окупається за 2–4 роки, а комфорт персоналу зростає — жодних різких вмикань і мерехтіння.

В одному з проектів для офісної будівлі площею 2500 м² ми впровадили систему на базі Edge ML. Встановили 12 Raspberry Pi 4, підключених до DALI-мережі. Модель Random Forest навчалася на історичних даних за 3 місяці та досягла точності occupancy 94%. Енергоспоживання знизилося на 45%.

Як AI вирішує проблему сліпого освітлення?

Класичні PIR-датчики дають бінарний сигнал: "є/немає руху". Вони не відрізняють людину від кішки, не пам'ятають історію, не знають, що о 15:00 в переговорній зазвичай люди. Наш підхід — ML-модель на часових рядах — збирає дані з датчиків (PIR, ультразвук, CO2, lux) та будує ймовірнісний прогноз. Модель Random Forest дає точність occupancy 95% — це в 1.5 рази точніше звичайного PIR (70%). Daylight harvesting на основі авторегресії дозволяє знижувати яскравість при 500 lux природного світла — економія ще 15%.

Що система робить

• Вимикає освітлення при відсутності людей через N хвилин (адаптивний timeout по зонах, що враховує ймовірність повернення).
• Знижує яскравість при достатньому денному світлі — модель прогнозує освітленість на годину вперед.
• Попередньо вмикає світло перед приходом людей (за календарем/патернами).
• Аварійне освітлення при виявленні руху в темний час — з плавним розпалюванням до 20%.
• Автоматичне калібрування: щотижня модель перенавчається на нових даних, адаптуючись до сезонності.

Чому варто обрати ML-підхід, а не прості таймери?

Таймери негнучкі: в п'ятницю ввечері офіс пустує, але світло горить до 23:00. ML-модель аналізує occupancy за останні 8 тижнів і прогнозує пусті зони з ймовірністю 0.97 — світло гасне на 40 хвилин раніше. Економія сценарію "останній пішов" — до 8% від загального споживання. Плюс модель пригнічує хибні спрацьовування від протягів і тварин — точність детекції не падає. ML-модель знижує енергоспоживання на 30–50%, що в 2–3 рази більше, ніж у таймерів (10–20%).

Метрики ефекту

Порівняння підходів до керування освітленням

Що входить в роботу

1. Обстеження об'єкта: аудит поточної системи освітлення, схеми зон, виміри освітленості, збір історичних датчиків.
2. Проектування ML-рішення: вибір моделі (Random Forest, LSTM, Prophet), налаштування hyperparams, симуляція на синтетичних даних.
3. Монтаж та інтеграція: встановлення edge-контролера, підключення по DALI/Modbus, деплой моделі через ONNX Runtime. Можлива інтеграція з BMS через BACnet, Modbus, KNX.
4. Калібрування та A/B-тест: 2–3 тижні паралельної роботи, порівняння з існуючою логікою.
5. Навчання персоналу та документація: передача дашборда (Grafana), API для інтеграції з BMS.

Готові оцінити економію для вашої будівлі? Зв'яжіться з нами для попереднього розрахунку.

Терміни: 4–8 тижнів

Залиште заявку на розрахунок економії — оцінимо ваш об'єкт за 2 дні та розрахуємо окупність. Ми гарантуємо зниження енергоспоживання не менше ніж 30%.

DALI — стандарт IEC 62386 для цифрового керування освітленням.

Edge AI та оптимізація: деплой моделей без хмари

Уявіть: ваша модель розпізнавання облич видає 4 секунди latency на Jetson Orin, батарея сідає за годину, модель вилітає по OOM. Ми — команда інженерів з Edge AI — оптимізували понад 150 моделей для граничних пристроїв. Без профілювання та правильного вибору квантизації або дистиляції проект приречений. Розрив між дослідницьким кодом та edge-деплоєм — окрема інженерна дисципліна, і ми допомагаємо її освоїти за 2–16 тижнів під ключ. Справа не в експорті, а в системній роботі із залізом: GPU utilization, latency p99, memory bandwidth.

Чому просто «експортувати модель» не працює?

PyTorch-модель з float32 та batch_size=32 не готова до edge. Типові проблеми:

• ResNet-50 в fp32 займає 98 MB, inference на Cortex-A78 — 380 мс. Після INT8-квантизації torch.ao.quantization — 24 MB, 95 мс. Експорт в ONNX + TensorRT на Jetson — 28 мс.
• YOLOv8m на Raspberry Pi 5 в fp32 — 2.8 fps. TFLite INT8 — 9.4 fps. З XNNPACK делегатом — 14 fps.
• Transformer-енкодер на мобільному CPU: MobileBERT в fp16 через CoreML на iPhone 15 — 18 мс/інференс. distilbert-base-uncased в ONNX — 42 мс.

Проблема не у виборі «квантизувати чи ні» — правильний шлях визначається пристроєм, завданням та допустимою деградацією метрики. Пропонуємо оцінку вашого проекту: за 24 години скажемо, наскільки реально прискорити модель.

Який метод квантизації вибрати для вашого завдання?

PTQ (Post-Training Quantization) — швидкий шлях. Берете навчену модель, проганяєте calibration dataset (200–1000 прикладів), отримуєте INT8 або INT4 ваги. Інструменти: torch.ao.quantization, ONNX Runtime quantization tool, bitsandbytes. Деградація точності: 0.5–2% на класифікації. Червона зона — детекція дрібних об'єктів та сегментація, де PTQ дає -4–8% mAP.

QAT (Quantization-Aware Training) — навчання з симульованими квантизаційними шумами. Дорожче (перенавчання), але деградація 0.1–0.5%. Виправдано, коли PTQ неприйнятний. В PyTorch — torch.ao.quantization.prepare_qat().

GPTQ / AWQ — для LLM. AWQ краще зберігає якість при 4-bit квантизації. llm-compressor від Neural Magic або autoawq — основні бібліотеки.

Зв'яжіться з нами для безкоштовного профілювання вашої моделі — ми оцінимо latency та запропонуємо план оптимізації.

Прунінг та дистиляція: коли квантизації недостатньо

Структурний прунінг видаляє канали або шари. Наприклад, видалення 40% каналів ResNet-50 з наступним fine-tuning дає -35% розміру, -28% latency при втраті top-1 accuracy лише на 1.2%. Інструменти: torch.nn.utils.prune, для transformer — прунінг attention heads (movement pruning, LTP). Глибша техніка — N:M sparsity, коли з кожних M ваг залишаються N ненульових (NVIDIA Ampere підтримує 2:4).

Knowledge distillation — навчаємо маленьку student імітувати велику teacher через KLDivLoss на soft labels. Feature distillation на проміжних шарах (hint-based) дає краще збереження якості. Hugging Face DistilBERT: 66M vs 110M параметрів, -40% latency, -3% на GLUE. Температура дистиляції — ключовий гіперпараметр (типово 4–8).

Комбінований підхід: дистиляція → прунінг → QAT. Дає максимальний ефект на обмеженому залізі. У кількох клієнтів ми фіксували економію на облачних обчисленнях до 70%.

Цільові платформи та інструменти

TensorRT — головний інструмент для NVIDIA edge. TRT будує граф з fusion операторів, вибирає оптимальні ядра. На Jetson AGX Orin YOLOv8m в TRT INT8 дає 78 fps проти 22 fps в fp16 PyTorch — прискорення в 3.5 рази.

Практичний кейс з нашої практики: детекція дефектів на виробничій лінії

Наш клієнт — виробниче підприємство. Завдання: виявлення подряпин на металі в реальному часі, 30 fps, камера до Jetson Xavier NX (16GB). Вихідна модель YOLOv8l mAP50 0.91, inference на сервері 28 мс, на Jetson в fp16 — 110 мс (9 fps). Не підходить.

Кроки оптимізації:

1. Перехід на YOLOv8m — mAP50 0.887 (-2.3%), 68 мс
2. Експорт в TensorRT FP16 через yolo export format=engine half=True — 31 мс (32 fps)
3. INT8 calibration на 500 кадрах — 22 мс (45 fps), mAP50 0.879

Підсумок: деградація 3.5% при 5× прискоренні. Клієнт отримав engine та документацію. Гарантуємо, що метрика не впаде нижче обумовленого порогу — прописано в договорі.

Приклад профілювання latency по шарах YOLOv8m на Jetson Xavier NX (fp16):

- Convolution (layer 1–5): 12 ms
- Bottleneck (layer 6–10): 8 ms
- Head (detection): 11 ms

Вузьке місце — останні шари head'а. Після квантування head'а окремо latency head знизилась до 4 ms.

Що входить в роботу

• Звіт по профілюванню моделі на цільовому пристрої (latency по шарах, вузькі місця)
• Вибір та обґрунтування методів оптимізації (quantization / pruning / distillation)
• Оптимізована модель (TensorRT engine / TFLite / CoreML / ONNX)
• Конфіги для відтворення (скрипти, Docker-образ, інструкція)
• Тестування на реальному пристрої (не менше 10 000 інференсів)
• Навчання вашої команди (2 години онлайн)
• Підтримка 1 місяць після передачі

Як замовити оптимізацію моделі?

1. Залиште заявку на сайті або зв'яжіться з нами будь-яким зручним способом.
2. Ми проводимо безкоштовне профілювання вашої моделі на цільовому пристрої протягом 24 годин.
3. Готуємо план оптимізації з оцінкою trade-off (швидкість vs якість).
4. Ви затверджуєте план — ми приступаємо до роботи.
5. Після завершення передаємо оптимізовану модель, конфіги та документацію.
6. Проводимо навчання вашої команди та надаємо місячну підтримку.

Терміни: оптимізація готової моделі — 2–4 тижні. Розробка з нуля під edge — 6–16 тижнів. Вартість розраховується індивідуально залежно від складності моделі та цільової платформи.

Отримайте консультацію — ми безкоштовно оцінимо вашу модель та запропонуємо план за 24 години. Замовте безкоштовне профілювання прямо зараз.