AI-оптимізація розміщення об'єктів інфраструктури

AI-оптимізація розміщення об'єктів інфраструктури

Вибір майданчика для дата-центру, вежі зв'язку, складу або промислового об'єкта — задача з десятками колінеарних факторів: енергетика, логістика, геологія, клімат, регуляторика, ринок праці. Традиційний підхід через експертні матриці оцінки повільний і не масштабується на сотні кандидатних локацій. Часто компанії втрачають місяці на ручний аналіз, а результат все одно суб'єктивний. Ми автоматизуємо цей процес за допомогою AI, скорочуючи CAPEX на 15–20% за рахунок точного вибору та знижуючи час pre-feasibility з 3 тижнів до 4 хвилин. Типова економія на проєкті з CAPEX $10 млн — до $2 млн.

Проблеми, які вирішує AI-оптимізація

Різнорідність джерел даних. Геопросторові растри (DEM, NDVI, flood zones), векторні шари (дороги, енергомережі, зонування), часові ряди (історичні дані про перебої електропостачання, кліматичні дані ERA5), табличні дані (податки, вартість землі, демографія). Об'єднати це в єдиний feature space нетривіально.

Відсутність розмітки. Історичних прикладів "правильних" виборів — одиниці. Більшість проєктів вирішують це через побудову scoring-моделі на основі експертних ваг + ML-калібрування, а не через supervised learning у класичному сенсі.

Конкуруючі критерії. Мінімальна вартість енергії конфліктує з мінімальним сейсмічним ризиком, який конфліктує з близькістю до ринку збуту. Multi-objective optimization, а не одна loss-функція.

Як модель ранжує майданчики при малому обсязі даних?

Геопросторовий feature engineering

Основний інструмент — GeoPandas + Rasterio + GDAL. Для кожної кандидатної локації обчислюємо:

• Енергетика: відстань до підстанції (OpenStreetMap + utility GIS), доступна потужність з публічних реєстрів або API мережевих компаній.
• Ризики: перетин з flood zone (FEMA/аналоги), сейсмічна активність (USGS ShakeMap), зони з історичними power outage > N год/рік.
• Логістика: travel time до найближчого вузлового складу через OSRM, доступ до rail/highway.
• Клімат: ASHRAE climate zone, Cooling Degree Days з ERA5 (critical для ЦОД).
• Соціальна інфраструктура: щільність кваліфікованої робочої сили з Census/LFS даних, найближчі ВНЗ.

Підсумковий feature vector на локацію — 80–150 числових ознак.

Модель ранжування

Задача формулюється як Learning-to-rank: експерт розмічає кілька десятків "хороших" і "поганих" історичних виборів, модель навчається на pairwise або listwise loss. LightGBM з LambdaRank loss показує стабільні результати навіть на малих навчальних вибірках (50–200 об'єктів).

На реальному проєкті (вибір 5 з 200+ майданчиків для складської інфраструктури логістичного оператора) NDCG@10 = 0.76 на holdout, що відповідало експертному консенсусу по топ-локаціям при часі обробки 200 кандидатів — 4 хвилини проти 3 тижнів ручного аналізу.

Explainability через SHAP

Кожне рангове рішення розкладається на внесок ознак через TreeExplainer. Це критично: замовник повинен пояснити інвестиційному комітету, чому майданчик A кращий за майданчик B. SHAP waterfall plot по локації — наочний інструмент для таких презентацій.

Multi-objective Pareto-аналіз

Для випадків, коли немає єдиного ранжування, будуємо Pareto-фронт за двома-трьома ключовими критеріями (вартість vs. ризик vs. час виходу на ринок). Бібліотека pymoo реалізує NSGA-II для цієї задачі. Замовник обирає точку на фронті відповідно до стратегічних пріоритетів — це чесніше, ніж приховані ваги в scoring-матриці.

Як ми це робимо: покрокова інструкція

1. Збір та верифікація даних. Агрегуємо дані з 10+ джерел: OpenStreetMap, кадастри, API мережевих компаній. Очищення та гармонізація шарів займає 3–5 робочих днів.
2. Feature engineering. За допомогою GeoPandas і Rasterio будуємо вектор ознак з 80–150 метрик на кожну кандидатну локацію.
3. Калібрування моделі. Проводимо structured elicitation з експертами замовника для історичних виборів (мінімум 50 об'єктів). Навчаємо LightGBM з LambdaRank на pairwise loss.
4. Валідація та інтерпретація. Крос-валідація leave-one-out, метрика NDCG@10 > 0.75. Кожне рішення пояснюємо через SHAP TreeExplainer.
5. Деплой та візуалізація. Batch-scoring через REST API або генерація Jupyter-звітів з інтерактивними картами (Kepler.gl, deck.gl).

Що входить в роботу

• Ранжований список локацій з SHAP-поясненнями для кожної.
• Pareto-фронт за обраними критеріями (вартість, ризик, час виходу на ринок).
• Jupyter-звіт з інтерактивними картами (Kepler.gl).
• REST API для batch-scoring нових локацій.
• Навчання команди замовника самостійній роботі з інструментом.

Що дає explainability для інвестиційного комітету?

Приклад SHAP waterfall для конкретної локації:

• Вартість енергії: +0.12 (підвищує ранг)
• Сейсмічний ризик: -0.08 (знижує)
• Доступ до робочої сили: +0.05
• Відстань до підстанції: -0.03
• Базове значення (середнє по всіх): 0.0, підсумкове: +0.06 — майданчик рекомендований.

Чому learning-to-rank кращий за scoring-матрицю?

Scoring-матриця передбачає фіксовані ваги критеріїв, які рідко відображають реальні компроміси. Learning-to-rank автоматично налаштовує ваги за історичними прикладами, а SHAP показує внесок кожної ознаки. Метрика NDCG@10 на релевантній вибірці — об'єктивна гарантія якості.

Скільки часу займає впровадження?

Базовий scoring-інструмент: 6–10 тижнів. Повна геоаналітична платформа з real-time оновленням шарів: 4–8 місяців. Вартість розраховується індивідуально під ваші джерела даних та вимоги.

Наш досвід — 5+ років у геоаналітиці та ML, понад 30 реалізованих проєктів в інфраструктурному секторі. Оцінимо ваш проєкт на безкоштовній консультації. Зв'яжіться, щоб обговорити деталі. Отримайте консультацію для оцінки вашого проєкту.