Розробка AI-системи керування теплицею: клімат, полив, освітлення

Розробка AI-системи керування теплицями: клімат, полив, освітлення

Ми розробляємо AI-системи, які автоматично керують кліматом, поливом та освітленням у промислових теплицях. На відміну від класичних контролерів, наші алгоритми адаптуються до змін погоди та стадії росту рослин. В основі Model Predictive Control та машинне навчання. Це дозволяє знизити витрати на опалення на 20–30%, а врожайність збільшити до 110 кг/м²/рік для томатів. Ми впровадили такі системи більш ніж на 20 об'єктах загальною площею понад 15 гектарів — і ділимося практичним досвідом.

Які проблеми вирішує AI в теплиці?

Традиційна автоматика стикається з обмеженнями: інерційність температури, відсутність прогнозу та розрізнене керування контурами. ПІД-регулятори розгойдують систему, витрачаючи зайву енергію. AI об'єднує керування кліматом, поливом та освітленням в єдину оптимізаційну задачу. Модель теплиці передбачає поведінку на 4 години вперед і на кожному кроці (15 хвилин) коригує уставки для HVAC, насосів та світильників.

Чому MPC ефективніший за ПІД-регулятор?

ПІД-регулятор реагує на поточне відхилення — він не знає, що через годину сонце сховається за хмари і температура впаде. MPC прогнозує збурення та заздалегідь змінює режими: наприклад, трохи підігріває теплицю перед холодною ніччю, щоб згладити піки. В результаті система не перемикається ривками, витрати тепла знижуються на 20–30%, а обладнання служить довше. Наші замовники підтверджують: після переходу на MPC платіж за газ зменшується на чверть без втрати врожаю.

Як працює MPC в теплиці?

Ми використовуємо Model Predictive Control з горизонтом передбачення 4 години. Модель теплиці включає теплообмін, вологообмін, динаміку CO2 та фотосинтез. Оптимізатор scipy.minimize вирішує задачу на кожному кроці, видаючи уставки для HVAC, насосів та світильників. Сенсорна мережа збирає дані кожні 10–20 метрів за кліматом, субстратом та освітленням. Зовнішня метеостанція дає прогноз натурального світла та температури.

Приклад реалізації MPC на Python:

import numpy as np
from scipy.optimize import minimize

class GreenhouseMPC:
    """
    Model Predictive Control для клімату теплиці.
    Горизонт: 4 години, крок: 15 хвилин → 16 кроків
    """

    def __init__(self, prediction_horizon=16, control_horizon=4):
        self.H_p = prediction_horizon
        self.H_c = control_horizon

        # Термодинамічна модель теплиці (спрощена)
        # dT/dt = (Q_heat + Q_solar - Q_ventilation - Q_loss) / C_thermal
        self.C_thermal = 2.5e6  # теплоємність повітря теплиці (Дж/°C)
        self.dt = 900  # 15 хвилин у секундах

    def predict_temperature(self, T_init, control_sequence, disturbances):
        """
        T_init: початкова температура
        control_sequence: масив [heat_power_W, vent_rate_m3/s] на H_c кроків
        disturbances: прогноз [solar_radiation, outdoor_temp] на H_p кроків
        """
        T = T_init
        trajectory = [T]

        for t in range(self.H_p):
            ctrl_idx = min(t, self.H_c - 1)
            Q_heat = control_sequence[ctrl_idx][0]
            vent_rate = control_sequence[ctrl_idx][1]

            Q_solar = disturbances[t][0] * 0.4 * 1000  # 40% трансмісії скла × площа
            T_outdoor = disturbances[t][1]
            Q_vent = vent_rate * 1200 * (T - T_outdoor) * 1.0  # cp_air × delta_T
            Q_loss = 50000 * (T - T_outdoor)  # тепловтрати огородження

            dT = (Q_heat + Q_solar - Q_vent - Q_loss) / self.C_thermal * self.dt
            T = T + dT
            trajectory.append(T)

        return trajectory

    def optimize_control(self, current_state, setpoints, disturbance_forecast):
        """Оптимізація керування для наступного горизонту"""
        T_sp = setpoints['temperature']
        CO2_sp = setpoints['co2']

        def objective(u):
            u_matrix = u.reshape(self.H_c, 2)
            T_traj = self.predict_temperature(
                current_state['temperature'], u_matrix, disturbance_forecast
            )
            # Штраф за відхилення від уставки + енергоспоживання
            tracking_error = sum((T - T_sp)**2 for T in T_traj)
            energy_cost = sum(u_matrix[:, 0])  # потужність опалення
            return tracking_error + 0.001 * energy_cost

        u0 = np.zeros(self.H_c * 2)
        bounds = [(0, 500000)] * self.H_c + [(0, 5)] * self.H_c  # heat [W], vent [m3/s]
        result = minimize(objective, u0, method='SLSQP', bounds=bounds)
        return result.x.reshape(self.H_c, 2)[0]  # застосувати тільки перший крок

Що дає інтеграція AI з фертигацією?

Поживний розчин рециркулює. AI керує його складом за показниками EC, pH та іонному аналізу. ML-модель передбачає споживання елементів на стадію росту та заздалегідь поповнює розчин, не допускаючи дефіциту. Наприклад, у фазі цвітіння томату потрібно більше калію — система збільшує його частку за два тижні до очікуваного піку споживання. Це підвищує однорідність плодів та знижує ризик вершинної гнилі.

Чому AI ефективніший за класичну автоматику?

Після впровадження на об'єктах ми фіксуємо такі покращення:

Ці цифри підтверджені на практиці: понад 5 років ми впроваджуємо AI в теплиці різного масштабу — від невеликих ферм до промислових комплексів. Гарантуємо стабільну роботу та адаптацію під конкретні культури.

Як AI оптимізує освітлення?

DLI-таргетування

Daily Light Integral — сумарна кількість фотонів за день. Кожна культура має оптимальний DLI:

Алгоритм вранці запитує прогноз натурального освітлення та будує розклад LED-досвітки на день з урахуванням тарифів.

Спектральна оптимізація

Сучасні LED-світильники дозволяють керувати співвідношенням синього/червоного/far-red. Висока частка синього дає компактні рослини, far-red прискорює цвітіння. ML-модель підбирає спектр під фазу росту та цільові характеристики продукції.

Як AI керує поживним розчином?

Поживний розчин рециркулює. AI керує його складом за показниками EC, pH та іонному аналізу. ML-модель передбачає споживання елементів на стадію росту та заздалегідь поповнює розчин, не допускаючи дефіциту.

Типові помилки при впровадженні AI-системи

Ми стикалися з ситуаціями, коли замовники намагалися впровадити MPC без щільної мережі сенсорів — модель просто не могла точно симулювати теплицю. Мінімальна щільність — датчики клімату кожні 10 метрів і датчики субстрату кожні 20 метрів. Інша поширена помилка — ігнорування лагів виконавчих механізмів: байпасні клапани відкриваються за 30 секунд, а регулятор вважає їх миттєвими. Це призводить до перерегулювання. Нарешті, використання застарілих моделей фотосинтезу: без калібрування під конкретну культуру та гібрид результати сильно занижуються. Всі ці нюанси ми відпрацьовуємо на етапі аудиту та проектування.

Що входить в нашу роботу (під ключ)

• Аудит поточної теплиці та постановка цілей
• Проектування архітектури: вибір сенсорів, контролерів, шаф
• Розробка та калібрування моделей MPC для вашого об'єкта
• Налаштування алгоритмів освітлення та фертигації
• Інтеграція з існуючою SCADA через OPC-UA
• Встановлення датчиків та виконавчих пристроїв
• Навчання персоналу роботі з системою
• Технічна підтримка та доопрацювання після запуску

Термін розробки: 3–5 місяців для MPC-системи клімату + керування поливом та досвіткою. Точна вартість розраховується індивідуально після аудиту.

Як почати?

Зв'яжіться з нами для попереднього аудиту вашої теплиці — ми підготуємо пропозицію з оцінкою економічного ефекту та термінів впровадження. Замовте консультацію з AI-автоматизації вже сьогодні.

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.