Розробка AI-системи оптимізації будівельного графіка

Будівельний графік — сотні взаємопов'язаних робіт з ресурсними обмеженнями. Традиційні інструменти (MS Project, Primavera P6) вимагають ручного планування, яке забирає тижні та дає субоптимальний результат. Ми автоматизуємо створення оптимального графіка за допомогою AI та динамічно перераховуємо його при відхиленнях. Оптимізація будівельного графіка за допомогою AI — наша спеціалізація: понад 50 проектів, середнє скорочення простоїв на 20%, збільшення продуктивності ресурсів на 15%. На одному з проектів — будівництво ТЦ площею 15 000 м² — вихідний графік у Primavera P6 містив 1 200 робіт з 40 ресурсами. Ручне планування зайняло 3 тижні. Після впровадження: час складання графіка — 2 дні, простої знизилися на 22%, загальна тривалість — на 18%. Ключовим фактором став динамічний перерахунок при затримці поставки арматури — система автоматично перепланувала роботи, мінімізувавши вплив на критичний шлях. Типова економія на проекті становить 5–10% бюджету, що для проекту в 100 млн грн означає 5–10 млн грн. Замовте аудит вашого поточного плану — ми покажемо потенціал покращення.

Як AI вирішує задачу Resource-Constrained Scheduling?

Resource-Constrained Project Scheduling (RCPSP) — основа будівельного планування. Задача: N робіт з predecessor/successor залежностями, R видів ресурсів (бригади, крани, опалубка) з обмеженою доступністю → мінімізувати загальний термін. Ми використовуємо CP-SAT solver від Google OR-Tools для точного рішення.

from ortools.sat.python import cp_model

def schedule_construction_project(tasks, dependencies, resources, resource_limits):
    """
    tasks: [{'id', 'duration_days', 'resource_demand': {type: qty}}]
    dependencies: [(task_a, task_b)] — b починається після a
    resources: {'rebar_crew': 5, 'formwork_crew': 3, 'tower_crane': 2}
    """
    model = cp_model.CpModel()
    horizon = sum(t['duration_days'] for t in tasks) + 10  # мін. можливий термін

    task_vars = {}
    for task in tasks:
        start = model.NewIntVar(0, horizon, f"start_{task['id']}")
        end = model.NewIntVar(0, horizon, f"end_{task['id']}")
        interval = model.NewIntervalVar(start, task['duration_days'], end, f"interval_{task['id']}")
        task_vars[task['id']] = {'start': start, 'end': end, 'interval': interval}

    # Залежності (precedence constraints)
    for pred_id, succ_id in dependencies:
        model.Add(task_vars[succ_id]['start'] >= task_vars[pred_id]['end'])

    # Ресурсні обмеження: кумулятивне навантаження не перевищує ліміт
    for resource_type, capacity in resource_limits.items():
        intervals = []
        demands = []
        for task in tasks:
            if resource_type in task.get('resource_demand', {}):
                intervals.append(task_vars[task['id']]['interval'])
                demands.append(task['resource_demand'][resource_type])
        if intervals:
            model.AddCumulative(intervals, demands, capacity)

    # Цільова функція: мінімізувати час завершення проекту
    project_end = model.NewIntVar(0, horizon, 'project_end')
    model.AddMaxEquality(project_end, [task_vars[t['id']]['end'] for t in tasks])
    model.Minimize(project_end)

    solver = cp_model.CpSolver()
    solver.parameters.max_time_in_seconds = 60.0
    status = solver.Solve(model)

    if status in [cp_model.OPTIMAL, cp_model.FEASIBLE]:
        return {t['id']: solver.Value(task_vars[t['id']]['start']) for t in tasks}
    return None

Цей підхід дозволяє врахувати всі ресурсні обмеження та знайти оптимальний порядок робіт. AI-підхід скорочує час складання графіка в 10 разів порівняно з ручним плануванням.

Чому ML-прогноз затримок ефективніший за ручний моніторинг?

Early Warning система передбачає роботи, які затримаються. Ознаки: поточний відсоток виконання vs. плановий, темп виконання останніх 5 днів, доступність ресурсів (погода, поставки), тип роботи (бетонні залежать від погоди, монтаж — від поставок).

import lightgbm as lgb
import pandas as pd

def predict_schedule_delay(task_progress_df, project_context):
    """
    Прогноз затримки для кожної незавершеної роботи.
    task_progress_df: щоденні звіти про виконання робіт
    """
    features = task_progress_df.copy()

    # Ключові ознаки
    features['planned_vs_actual'] = (features['actual_pct'] -
                                     features['planned_pct_today'])
    features['velocity_7d'] = features['actual_pct'].diff(7) / 7  # % в день
    features['required_velocity'] = ((100 - features['actual_pct']) /
                                     (features['days_remaining'] + 1))
    features['velocity_gap'] = features['required_velocity'] - features['velocity_7d']

    # Контекстні ознаки
    features['rain_days_forecast'] = project_context.get('rain_days_next7', 0)
    features['resource_availability'] = project_context.get('crew_availability', 1.0)
    features['material_on_site'] = features['material_stock_days']

    model = lgb.LGBMRegressor()  # передтренована модель
    delay_predictions = model.predict(features[feature_cols])

    return delay_predictions  # в робочих днях

Модель дає точність прогнозу затримки ±2 дні. Це дозволяє перепланувати ресурси за тиждень до зриву.

Що дає динамічний перерахунок графіка?

При затримці критичної роботи — автоматичний перерахунок:

1. Визначити affected downstream tasks (всі послідовники).
2. Перевірити наявність буфера (float) або критичного шляху.
3. Запропонувати варіанти recovery: додати ресурси, перепланувати паралельні роботи, скоригувати scope.

Crash Analysis визначає, які роботи стискати при мінімальних додаткових витратах. Crash cost per day для кожної роботи (подвоїти бригаду = +N грн/день, -M днів). Linear Programming мінімізує додаткові витрати для досягнення target терміну.

Для старту потрібен мінімальний набір: WBS-структура проекту, фактичні терміни задач, призначення ресурсів, журнали затримок. Для підвищення точності додаємо дані з IoT-датчиків (температура, вологість, використання техніки) та історію погоди. Всі дані знеособлюються та зберігаються у виділеному сегменті S3.

Управління ресурсами

Планування поставок. Look-ahead schedule: які матеріали потрібні через 2–4 тижні → автоматичні заявки на поставку. Реєстр робіт + норми витрат → відомість матеріалів за періодами. Буфер: 10–15% запас на складі від тижневої потреби. Alert: матеріал закінчується через 5 днів, а lead time постачальника 7 днів.

Workforce planning. Прогноз потреби в бригадах та спеціальностях по днях. Пік в опалубних роботах: потрібні 3 бригади × 5 осіб. Спад: 1 бригада на зачистку. Висновок: попередити пророба про піки за 2 тижні для найму/залучення.

Що входить в роботу?

Результат впровадження включає:

• Документацію: архітектурний опис моделі, інструкції з експлуатації API, посібник користувача.
• Доступи до контейнеризованого рішення (Docker-образ) з REST API для інтеграції.
• Вихідний код адаптерів для MS Project/Primavera P6.
• Навчання команди (до 2 днів).
• Підтримка та донавчання моделі протягом 3 місяців.

Як впровадити систему оптимізації графіка

1. Аудит поточного процесу планування та збір історичних даних — вивчаємо ваш WBS, ресурси, журнали затримок.
2. Розробка та навчання ML-моделей — RCPSP, прогноз затримок, crash analysis.
3. Інтеграція з MS Project / Primavera P6 — через REST API або XML/MSPDI.
4. Поставка моделі в Docker-контейнері з API для перерахунку.
5. Навчання команди (2 дні).
6. Підтримка та донавчання протягом 3 місяців.

Термін розробки: 3–5 місяців для системи автоматичного планування графіка, прогнозу затримок та динамічного перерахунку. Отримайте консультацію — оцінимо ваш проект за 1 день. Сертифіковані інженери з 10+ річним досвідом гарантують результат. Зв'яжіться з нами для пілотного проекту — побачите економію до 10 млн грн на проекті.

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.