Розробка AI-системи управління автопарком

Уявіть: 200 вантажівок, кожна в рейсі, а диспетчер вручну розподіляє завдання, не знаючи, яка машина через 500 км потребуватиме заміни масла. Позаплановий ремонт у полі — це мінімум 80 000 грн збитку, зрив поставки клієнту та втрата лояльності. Перевитрата пального через стиль водіння сягає 12%. Типова картина без AI. Ми розробляємо системи управління автопарком під ключ, які переводять ТО з планового на предиктивний, оптимізують маршрути та контролюють стиль водіння. Наш стек для Fleet Management AI включає PyTorch, Hugging Face Transformers для NLP-диспетчера, а для телеметрії — Isolation Forest та Gradient Boosting (XGBoost). Дані надходять через OBD-II та телематичні блоки (Wialon, OMNICOMM). Ми інтегруємося з будь-яким парком: від малолітражок до тягачів. З кожним роком алгоритми уточнюються, знижуючи TCO на 6–12%. Оцінимо ваш парк за тиждень — зв'яжіться для попереднього аналізу.

Як AI-система управління автопарком економить до 15% бюджету?

Предиктивне обслуговування — ключовий драйвер. Сучасна CAN-шина вантажівки генерує тисячі параметрів: оберти, температура масла, тиск турбіни, вібрації. Через OBD-II та телематичний блок (Wialon, OMNICOMM) дані надходять у real-time. Isolation Forest детектує аномалії, регресія прогнозує залишковий ресурс (RUL).

import pandas as pd import numpy as np from sklearn.ensemble import IsolationForest from sklearn.preprocessing import StandardScaler class FleetPredictiveMaintenance: def __init__(self): self.anomaly_detectors = {} # один детектор на тип агрегату self.rul_models = {} # Remaining Useful Life models def detect_engine_anomaly(self, vehicle_id, telemetry_window): """ telemetry_window: DataFrame з 24-годинним вікном телематики Ознаки: rpm, oil_temp, coolant_temp, fuel_consumption_l100, turbo_pressure, vibration_rms """ features = ['rpm_mean', 'rpm_std', 'oil_temp_max', 'coolant_temp_mean', 'fuel_per_100km', 'turbo_pressure_mean', 'vibration_rms'] X = telemetry_window[features].mean().values.reshape(1, -1) X_scaled = self.scaler.transform(X) anomaly_score = self.anomaly_detectors['engine'].decision_function(X_scaled)[0] is_anomaly = anomaly_score < -0.2 # поріг return { 'vehicle_id': vehicle_id, 'anomaly_score': float(anomaly_score), 'alert': is_anomaly, 'recommended_action': self._get_recommendation(anomaly_score, telemetry_window) } def predict_rul(self, vehicle_id, component='engine_oil'): """Remaining Useful Life в км до наступного ТО""" history = self._load_component_history(vehicle_id, component) X = self._extract_degradation_features(history) rul_km = self.rul_models[component].predict(X)[0] return max(0, rul_km) 

Компоненти під моніторингом: двигун (масло, охолодження, паливна), трансмісія (температура, вібрації), гальмівна система (ефективність, знос колодок), шини (тиск, температура, пробіг), акумулятор/електросистема для EV.

Як AI скорочує позапланові поломки в 2–3 рази?

Планове ТО — заміна масла кожні 15 000 км, незалежно від стану. AI-система збільшує інтервал до 18–22 000 км для справних машин і скорочує для проблемних. Позапланові поломки знижуються на 30–45% (наші кейси). Економія тільки на маслі — до 20% на рік для парку зі 100 машин.

Для парку з 50 вантажівок із середнім пробігом 120 000 км/рік: до AI — 12 позапланових ремонтів по 80 000 грн, разом 960 000 грн/рік. Після AI — 4 ремонти, економія 640 000 грн. Плюс зниження витрати пального на 8% (2,4 млн грн за ціни 60 грн/л). Разом ~3 млн грн на рік.

Чому предиктивне ТО вигідніше за планове?

Планове ТО — заміна масла кожні 15 000 км, незалежно від стану. AI-система збільшує інтервал до 18–22 000 км для справних машин і скорочує для проблемних. Позапланові поломки знижуються на 30–45% (наші кейси). Економія тільки на маслі — до 20% на рік для парку зі 100 машин.

Як AI оптимізує витрату пального?

Eco-driving scoring. Аналізуємо стиль кожного водія: різкі прискорення (>3 м/с²) дають +8–15% витрати, прогріви з високими обертами, нейтральна передача на спусках, перевищення оптимальної швидкості (90–95 км/год). Score 0–100 → гейміфікація з преміями для топ-10% еко-водіїв.

Оптимізація маршрутів. LSTM-модель витрати: рельєф, швидкість, завантаження, температура. Для двох рівних маршрутів вибираємо економний — різниця 5–12%.

Диспетчеризація та планування рейсів

Constraint optimization: години роботи (ЄС TACHOGRAPH), кваліфікація (ADR), місцезнаходження, майбутнє ТО. Прогноз потреби в техніці на 3–7 днів — на основі історичних даних.

Безпека та страхування

Телематика UBI. Передача стилю водіння страховику (API СберАвто, РЕСО) — знижка до 30%. Детекція втоми через DMS-камеру (CV: моргання, нахил голови), відволікання (телефон) — alert диспетчеру. Геозони — контроль відхилення маршруту.

Етапи впровадження AI-системи в автопарку

1. Аудит телематики – підключаємося до CAN‑шини, OBD‑II, телематичного блоку.
2. Збір і розмітка даних – накопичуємо 2–4 тижні телеметрії.
3. Розробка моделей – Isolation Forest, Gradient Boosting, LSTM.
4. Інтеграція – підключаємо API Wialon, OMNICOMM, налаштовуємо дашборди.
5. A/B-тестування – порівнюємо з плановим ТО, відкочуємо при помилках.
6. Productization – розгортаємо через Triton, ONNX, налаштовуємо MLOps (MLflow, Kubeflow).

Що входить у роботу?

• Аудит поточного парку та телематичного стеку
• Проектування архітектури (ML-пайплайни, векторне зберігання телеметрії)
• Розробка моделей: anomaly detection (Isolation Forest, Autoencoder), RUL (GBRT), LSTM для маршрутів
• Інтеграція з Wialon/OMNICOMM через API або SDK
• Розгортання на вашому сервері або в хмарі (Triton, ONNX Runtime)
• Навчання диспетчерів і водіїв
• Гарантійна підтримка 6 місяців

Наш досвід — 8+ років у ML для логістики, 15+ проєктів для парків від 50 до 500 одиниць. Ми гарантуємо зниження TCO на 6–12% у перший рік. За даними McKinsey, AI-оптимізація логістики знижує операційні витрати на 10–20%.

Термін розробки: 5–8 місяців для повної платформи. Інтеграція з телематикою — 1–2 місяці. Зв'яжіться для оцінки вашого парку — отримайте консультацію інженера.