AI-калібрування: прогноз дрейфу та оптимізація повірок

Датчики «брешуть» непомітно: чому фіксований графік повірок неефективний

На виробництві кислої лінії один із датчиків тиску почав дрейфувати через три місяці після повірки. Відхилення в 0.3% залишалося в допуску, але через тиждень перевищило норму — бракована партія продукту пішла у відвантаження. Метрологи повіряли прилад за планом раз на півроку, але раптовий вихід за межі залишився непоміченим. Така ситуація знайома кожному головному метрологу: половина перевірок виявляється зайвою, а аварійні зупинки трапляються через банальне запізнення з калібруванням.

Ми автоматизуємо рутинні калібрування за допомогою AI. Система прогнозує дрейф кожного датчика, адаптивно коригує показники та оптимізує графік повірок. Результат: витрати метрологічної служби падають на 20–35%, час перевірки одного приладу скорочується в 5 разів порівняно з ручною процедурою, ризик невиявленої несправності — в 3 рази. Середня економія для підприємства з 500 точками — 2 млн грн на рік. За 10+ років ми впровадили такі рішення на 50+ виробництвах і лабораторіях.

Чому дрейф датчиків складно помітити вчасно?

Кожен датчик має свою характеристику дрейфу — відхилення від еталона з часом. У різних екземплярів швидкість різна. Традиційний підхід — фіксований міжповірочний інтервал, але він не враховує індивідуальну деградацію. Ми використовуємо машинне навчання, щоб побудувати модель для кожного сенсора. Наприклад, LSTM або Prophet обробляють часові ряди контрольних вимірів і виявляють прискорене зростання відхилення — ознаку наближення відмови. Система автоматично компенсує показники до наступної повірки та надсилає alert на позачергову перевірку.

Для прогнозу з оцінкою невизначеності застосовуємо Gaussian Processes (GP):

import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, WhiteKernel, Matern

class DriftPredictor:
    """Gaussian Process для прогнозу дрейфу датчика"""

    def __init__(self):
        kernel = Matern(length_scale=30, nu=2.5) + WhiteKernel(noise_level=0.01)
        self.gp = GaussianProcessRegressor(
            kernel=kernel,
            n_restarts_optimizer=10,
            normalize_y=True
        )

    def fit(self, calibration_dates, drift_values):
        """calibration_dates: дні з початку експлуатації"""
        X = calibration_dates.reshape(-1, 1)
        self.gp.fit(X, drift_values)

    def predict_next_violation(self, tolerance_limit, horizon_days=365):
        """Прогноз: коли дрейф перевищить допуск"""
        future_days = np.arange(0, horizon_days).reshape(-1, 1)
        drift_pred, drift_std = self.gp.predict(future_days, return_std=True)

        # 95-й перцентиль перевищення допуску
        upper_bound = drift_pred + 1.96 * drift_std
        violation_days = np.where(np.abs(upper_bound) > tolerance_limit)[0]

        return violation_days[0] if len(violation_days) > 0 else horizon_days

GP дає calibrated uncertainty — це критично для risk-based рішень. Порівняємо: в одному проекті на хімічному заводі точність прогнозу на 30 днів уперед становила ±5% від допуску, а false positive rate — менше 3%.

Що дає оптимізація періодичності повірок?

Регуляторні норми (ГОСТ Р 8.736, ISO 17025) задають максимальні інтервали. AI оптимізує фактичну періодичність: стабільні датчики повіряються рідше, ті, що працюють у важких умовах, — частіше. Використовуємо risk-based calibration interval: cost(пропущена несправність) vs. cost(повірка).

Як вибрати модель для прогнозу дрейфу?

Gaussian Process найкраще підходить для risk-based рішень — дає calibrated uncertainty. LSTM ефективний при потокових даних з сенсорів, а Prophet — при сезонних трендах.

Як ми це робимо: стек та інтеграція

Збір даних: OPC-UA / Modbus з датчиків, LIMS (Siemens Opcenter Quality, LabWare) для історії повірок, ERP (SAP PM, 1C:ЕАМ) для журналу ТО. ML-компоненти: Gaussian Process, LSTM, Prophet — для прогнозу дрейфу. Комп'ютерний зір: YOLOv8 для автоматичного зняття показників з аналогових приладів — точність ±0.5% повної шкали. Для планування повірок використовуємо Google OR-Tools — розв'язуємо задачу constraint optimization з урахуванням завантаженості метрологів та пріоритетів обладнання. MLOps: Weights & Biases, MLflow, Kubeflow для моніторингу дрейфу моделей та автоматичного ретригерингу.

Процес роботи

1. Аналітика — аудит поточних процедур, збір історичних даних (2–4 тижні).
2. Проектування — вибір архітектури ML, прототипування на вибірці.
3. Розробка — пайплайн навчання, інтеграція з OPC-UA/LIMS/ERP.
4. Тестування — бектестинг на історії, пілот на 10–50 датчиках.
5. Деплой — сервер або хмара, моніторинг якості прогнозів.

Строки: від 3 до 5 місяців з моменту надання історичних даних до production. Вартість розраховується індивідуально — запросіть попередню оцінку.

Що входить у роботу

• документація: model card, звіт з валідації, інструкція;
• навчання метрологів;
• техпідтримка 3 місяці після впровадження;
• гарантія на ML-моделі 12 місяців (виправлення деградації, ретригеринг).

Залиште заявку на сайті, і ми підберемо оптимальне рішення для вашого виробництва. Замовте попередній аудит калібрувальних процедур — наші інженери оцінять потенціал автоматизації на вашому обладнанні. Отримайте консультацію та попередню оцінку проекту. Досвід 10+ років у AI/ML, 50+ впроваджень.

Галузеві AI-рішення: медицина, фінанси, рітейл, виробництво

Ми стикаємося з однією і тією ж проблемою: горизонтальна модель тексту не розрізняє медичну номенклатуру, а стандартний детектор об'єктів плутає «подряпину на шві зварювання» з «подряпиною на корпусі». Кожного разу це різні дефекти з різними наслідками. Щоб цього уникнути, ми будуємо галузеві рішення поверх загальних методів, але з глибоким знанням домену — від регуляторики до специфіки даних. За 5 років ми провели 80+ проектів у фінтесі, медицині, рітейлі та виробництві, і жоден не обійшовся без адаптації під конкретний business case.

Як ми будуємо галузеві AI-рішення?

Медицина: регуляторний лабіринт та data governance

Медичний AI відрізняється не технічними алгоритмами, а compliance-first підходом. Залежно від країни застосування модель може бути медичним виробом класу II або III, що вимагає клінічних випробувань (FDA, CE MDR, ГОСТ Р). Ми гарантуємо дотримання цих норм на етапі архітектури — правити постфактум в 10× дорожче.

Медична візуалізація. Детекція на рентгенограмах, КТ, МРТ — зріла область. Моделі на ResNet, EfficientNet, SegFormer досягають AUC 0.94–0.97 на стандартних задачах (пневмонія на CXR, поліпи на колоноскопії). Ключова проблема — generalization: модель, навчена на даних одного виробника сканера, деградує на іншому через відмінності в preprocessing та артефактах. Рішення — domain adaptation через MONAI (Medical Open Network for AI) від NVIDIA, в якому вбудовані DICOM-loading, 3D augmentation та confidence calibration. TotalSegmentator — для автоматичної сегментації 117 структур на КТ, production-ready, ліцензія Apache 2.0.

Clinical NLP. Вилучення структурованої інформації з клінічних записів: діагнози (ICD-10/11), призначення, дати, показники. medspaCy, scispaCy, MedCAT — спеціалізовані NLP-бібліотеки з онтологіями (SNOMED-CT, UMLS). Fine-tuning BioBERT або ClinicalBERT на наших даних дає F1 0.85–0.92 на NER задачах — це на 20-30% вище, ніж у загального BERT. Ми перевірили це на проекті з регіональним онкологічним центром: точність вилучення стадій раку зросла на 23%.

Clinical decision support. LLM-асистенти для підтримки клінічних рішень — регуляторна сіра зона. Ми використовуємо RAG-систему поверх клінічних гайдлайнів (UpToDate, локальні протоколи) з явним зазначенням джерела кожного твердження. Модель не діагностує, а допомагає знайти релевантний протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Дані в DICOM/HL7 FHIR, on-premise деплой обов'язковий.

Що входить в роботу над медичним проектом:

• Аудит даних та регуляторної карти (FDA/CE/ГОСТ)
• Вибір архітектури під тип медичного виробу
• Розробка та валідація моделі (AUC, sensitivity, specificity)
• Інтеграція з PACS/EHR (HL7 FHIR)
• Підготовка документації для CE-маркування (якщо потрібно)
• Навчання персоналу роботі з моделлю

Для оцінки вашого медичного проекту зв'яжіться з нами — ми проведемо аудит даних та регуляторних вимог.

AI рішення для фінтеху: інтерпретованість скорингу під Basel IV

Фінансовий сектор — один з найбільш зрілих щодо застосування ML, але зарегульованість тут максимальна. Кожна модель, що впливає на кредитні рішення, підпадає під Basel IV, EU AI Act, GDPR Article 22. В одному з останніх проектів ми впровадили скорингову модель для банку з топ-10, де кожен запис вимагав пояснення по SHAP.

Кредитний скоринг. Gradient boosting (LightGBM, XGBoost) — домінує. Нейронні мережі дають +0.5–2% AUC, але втрачають інтерпретованість. LightGBM навчається в 3-5 разів швидше за нейронні мережі та дає змогу використовувати SHAP для пояснення кожного рішення. Обов'язкова перевірка на fairness: Fairlearn або aif360 для аудиту disparate impact по protected attributes (вік, стать). Клас «дефолт» становить 1–5% — при імбалансі 1:30 модель з accuracy 97% може мати recall 0.2. Рішення: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмічний трейдинг та ризик-менеджмент. LSTM та Transformer для прогнозу цін — популярні, але в production нестабільні через нестаціонарність фінансових рядів. Більш надійний підхід: ML для signal generation (класифікація: зростання/падіння за горизонт N) з традиційним portfolio optimization зверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичний правильний backtesting — look-ahead bias вбиває результати. Ми гарантуємо чистоту експерименту: всі дані на момент сигналу доступні в реальному часі.

AML (Anti-Money Laundering). Graph Neural Networks для аналізу транзакційних мереж — активно розвивається область. PyG, DGL для GNN. Задача: виявити suspicious patterns в графі транзакцій (layering, structuring). Recall критичніший за precision — краще 10 хибних тривог, ніж пропустити відмивання. В проекті для великого платіжного сервісу ми підвищили recall на 18% без збільшення false positive rate.

Що входить в роботу над фінансовим проектом:

• Аудит даних та регуляторних вимог (Basel, EU AI Act)
• Вибір моделі та забезпечення explainability (SHAP, LIME)
• Перевірка fairness та відсутність bias
• Інтеграція з core banking / trading systems
• Документація та compliance-звітність
• Моніторинг дрейфу моделі та ретрейн

Замовте консультацію — ми оцінимо ваш датасет та відповідність регуляторним вимогам

Рітейл та e-commerce: рекомендаційні системи та demand forecasting

Рекомендаційні системи. Архітектурний стандарт останніх років: two-tower модель для retrieval + ranking з cross-features. TensorFlow Recommenders або Merlin від NVIDIA для GPU-accelerated feature processing. Для невеликих каталогів (<100k item) достатньо LightFM. Часта помилка — навчати на implicit feedback без урахування position bias. Рішення: IPW (Inverse Propensity Weighting) або randomized logging на частині трафіку. Термін розробки базової рекомендаційної системи — 4–8 тижнів, включаючи A/B-тест.

Demand forecasting та inventory optimization. Ієрархічне прогнозування: SKU → категорія → магазин → регіон. HierarchicalForecast від Nixtla автоматично узгоджує прогнози за рівнями. TFT або N-HiTS для базового прогнозу, gradient boosting для adjustment на екзогенних факторах (промо, погода, події). Один проект у рітейлі призвів до зниження сток-аутів на 15% за рахунок точного промо-калібрування.

Visual search та розмірна сумісність. CLIP-embeddings для пошуку за зображенням — деплоїться за 2–3 тижні: clip-ViT-B-32 або clip-ViT-L-14, індекс Faiss або Qdrant, REST API. Для size recommendation — специфічні моделі на даних повернень та відгуків із зазначенням fit.

Що входить в роботу над рітейл-проектом:

• Аналіз даних транзакцій, товарів, клієнтів
• Вибір архітектури (collaborative / content-based / hybrid)
• Розробка та оцінка якості (NDCG, recall@k, MRR)
• A/B-тест та моніторинг business impact
• Підтримка версіонування та пере навчання моделей

Отримайте комерційну пропозицію для вашого e-commerce проекту

Чому domain expert критичний для галузевого AI?

Виробництво: інспекція якості та predictive maintenance

Quality control та дефектоскопія. CV-моделі для інспекції продукції — одне з найбільш зрілих галузевих завдань. YOLOv10 для детекції дефектів, SegFormer для сегментації. Специфіка: дисбаланс класів (дефекти рідкісні), високі вимоги до recall (пропуск дефекту гірший за хибну тривогу). Типовий набір даних: 500–2000 зображень з дефектами + 500–1000 нормальних. Few-shot learning через DINO або SAM 2 дозволяє працювати з 50–100 анотованими прикладами. Ми отримали досвід на лінії з виробництва електроніки — recall 0.95 при FPR 0.03.

Predictive maintenance. Вібраційні датчики, струмові датчики, термопари → feature extraction → аномалія або класифікація режиму. Моделі: LSTM-AE для unsupervised, LightGBM для supervised (якщо є історія відмов). Інтеграція з SCADA/OPC-UA через opcua-asyncio або MQTT. Ключова метрика: False Negative Rate — пропущений передвідмова коштує дорожче хибної тривоги. Поріг налаштовується під бізнес-вартість кожного типу помилки. Терміни: від 3 до 6 місяців до production.

Digital twin та симуляція. Surrogate models — ML-моделі, що замінюють дороге фізичне моделювання. Якщо CFD-симуляція займає 6 годин, а surrogate (навчена на 10 000 симуляцій) — 0.01 секунди, це 2 000 000× прискорення для оптимізації. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Що входить в роботу над виробничим проектом:

• Аудит даних сенсорів / зображень
• Вибір моделі під задачу (CV / time series / vibro)
• Розробка пайплайну (ETL, feature engineering, training)
• Розгортання на Edge / on-premise
• Моніторинг та ретрейн моделі

Загальні принципи галузевого AI. Незалежно від галузі, є патерни, що працюють скрізь. Domain expert в команді — ML-інженер без domain knowledge робить повільно і з помилками те, що ML-інженер плюс лікар/фінансист/технолог зроблять швидко і правильно. Compliance-first design — регуляторні вимоги простіше вбудувати в архітектуру з початку, ніж додати пізніше. Логування, пояснюваність, версіонування — з першого дня. Дані важливіші за архітектуру — в медицині 1000 якісно розмічених знімків краще 100 000 поганих. У виробництві 200 реальних прикладів дефектів цінніші за 10 000 синтетичних.

Порівняння підходів за швидкістю та точністю для різних галузей:

Як проходить робота над галузевим AI-рішенням?

1. Занурення в домен (2–3 дні) — інтерв'ю з експертами, вивчення регуляторних вимог, аудит доступних даних.
2. Проектування MVP (1–2 тижні) — вибір стеку, архітектури, оцінка feasibility.
3. Розробка та валідація (від 4 тижнів до 6 місяців залежно від галузі) — навчання моделі, тестування, compliance.
4. Інтеграція та деплой (1–4 тижні) — on-premise / cloud / edge, документація, навчання персоналу.
5. Підтримка та моніторинг — дрейф моделі, ретрейн, SLA.

Орієнтовні терміни:

Вартість розраховується індивідуально під кожен проект. Отримайте консультацію — оцінимо ваш датасет, регуляторну карту та бізнес-цілі.

Наш досвід та гарантії

80+ реалізованих проектів у фінтесі, медицині, рітейлі та виробництві. Стійкий досвід роботи з compliance та деплоєм. Ми відповідаємо за досягнення цільових метрик (AUC, recall, latency p99) і надаємо повну документацію — model card, datasheet, compliance report. Використовуємо open-source з комерційно безпечними ліцензіями (PyTorch, MONAI, LightGBM, Qdrant). Працюємо як підрядник та в ролі посилення вашої команди.

Зв'яжіться з нами — обговоримо ваше завдання та підготуємо комерційну пропозицію з планом робіт.