Розробка AI-системи оптимізації розміщення товарів на складі

Статичне ABC-слотування дає 20-35% скорочення пробігу збирача одразу після впровадження. Але вже через три тижні 30% SKU змінюють клас — збирач їде в дальню зону кожне п'яте замовлення. Ми вирішуємо це завдання за допомогою ML-прогнозування активності та математичної оптимізації переміщень. Результат: зниження часу комплектації на 15-25% відносно статичного ABC та скорочення трудозатрат на переслотування вдвічі.

Наша команда має 10+ років досвіду в AI для складської логістики та реалізувала понад 50 проєктів інтеграції WMS та аналітики. Замовте попередній аудит — за 2 дні зробимо розрахунок ефекту для вашого складу (зазвичай економія становить суттєву суму для складу з 10 000+ SKU).

Як працює AI-система оптимізації розміщення товарів на складі?

Система об'єднує три компоненти: ML-модель прогнозу активності кожного SKU, оптимізатор на цілочисельному програмуванні (IP) для вибору переміщень та аналіз афінності для спільного зберігання. Замість статичного ABC-XYZ вона адаптується до змін асортименту щотижня.

Чому статичний ABC-XYZ перестає працювати через місяць?

Класичний ABC-XYZ ділить товари на групи за оборотністю та варіативністю. Але він не враховує сезонні тренди, промо-акції та зміни в поведінці покупців. Через 3-4 тижні «гарячі» SKU зміщуються — збирач їде в дальню зону кожне п'яте замовлення. ML-модель LightGBM прогнозує майбутню активність за 30+ ознаками: лаги, тренди, коефіцієнти варіації, категорійні особливості. Точність прогнозу на 30% вища, ніж у історичного середнього (див. останні дослідження).

Завдання слотування

Цілі розміщення:

• мінімізувати сумарний пробіг при збиранні замовлень
• скоротити час комплектації термінових замовлень
• забезпечити ергономіку: важкі/великі в нижніх комірках
• розділити несумісні категорії (алкоголь, хімія, їжа)

Принцип ABC-XYZ (базовий шар):

Як ML прогнозує «гарячість» SKU?

ML-модель передбачає кількість відборок кожного SKU на наступні 30 днів. На основі прогнозу ми ранжуємо товари та перераховуємо їх оптимальне положення. Типовий pipeline:

import lightgbm as lgb
import pandas as pd
from datetime import datetime, timedelta

def predict_sku_activity(order_history, sku_features, forecast_horizon_days=30):
    """
    Прогноз кількості відборок по SKU на наступні N днів.
    Використовується для перерахунку слотування.
    """
    # Ознаки часового ряду
    df = order_history.groupby(['sku', 'date'])['qty_picked'].sum().reset_index()
    df = df.sort_values(['sku', 'date'])

    features = []
    for sku in df['sku'].unique():
        sku_df = df[df['sku'] == sku].set_index('date')['qty_picked']
        # Лагові ознаки
        feat = {
            'sku': sku,
            'avg_picks_7d': sku_df.tail(7).mean(),
            'avg_picks_30d': sku_df.tail(30).mean(),
            'avg_picks_90d': sku_df.tail(90).mean(),
            'trend': sku_df.tail(14).mean() - sku_df.tail(28).head(14).mean(),
            'cv': sku_df.tail(30).std() / (sku_df.tail(30).mean() + 0.001),
            **sku_features.get(sku, {})  # категорія, вага, габарити
        }
        features.append(feat)

    X = pd.DataFrame(features).drop('sku', axis=1).fillna(0)

    # LightGBM для прогнозу середньоденної активності
    model = lgb.LGBMRegressor(n_estimators=200, learning_rate=0.05)
    # (попередньо навчена модель)
    predicted_daily_picks = model.predict(X)

    return dict(zip([f['sku'] for f in features], predicted_daily_picks))

Як математична оптимізація обирає переміщення?

Переміщувати всі SKU дорого та неефективно. Ми вирішуємо задачу цілочисельного програмування: обираємо топ-200 переміщень із максимальною економією часу. Обмеження: пропускна здатність команди.

Ефект від переміщення розраховується як (старий час відбору - новий час відбору) * частота. Новий час симулюється за прогнозованою частотою та цільовою коміркою. Ранжуємо всі SKU за ефектом, потім вирішуємо задачу з обмеженням.

import pulp

def select_moves(sku_benefits, sku_current_slots, slot_candidates, max_moves=200):
    """
    sku_benefits: {sku: expected_travel_savings_hours_per_week}
    Вибрати max_moves переміщень з максимальною сумарною економією
    """
    prob = pulp.LpProblem("slotting_optimization", pulp.LpMaximize)

    move_vars = {sku: pulp.LpVariable(f"move_{sku}", cat='Binary')
                 for sku in sku_benefits}

    # Об'єктив: максимальна економія
    prob += pulp.lpSum(sku_benefits[sku] * move_vars[sku]
                       for sku in sku_benefits)

    # Обмеження: не більше max_moves переміщень
    prob += pulp.lpSum(move_vars.values()) <= max_moves

    prob.solve(pulp.PULP_CBC_CMD(msg=0))
    return [sku for sku, var in move_vars.items() if var.value() > 0.5]

Спільне зберігання (Affinity Analysis)

Товари, які часто замовляються разом — зберігати поруч. Використовуємо Apriori (алгоритм market basket analysis) на історії замовлень: поріг lift > 2.0 та підтримка > 5%. В результаті отримуємо 15-20 кластерів афінності. Обмеження: несумісні категорії (хімія та їжа) не розміщуємо разом.

Порівняння підходів до слотування

ML + integer programming дає на 30% більший економічний ефект, ніж статичне ABC, при цьому трудозатрати на переслотування знижуються вдвічі. Для складу з 10 000 SKU економія може досягати суттєвої величини, а для великих розподільчих центрів — ще значніше лише за рахунок скорочення пробігу.

Що входить у проєкт впровадження

• Аудит поточного слотування та WMS-інтеграції
• Розробка ML-моделі прогнозування та оптимізатора
• Інтеграція з WMS через API (документація, доступи)
• Пілотний запуск на 1 місяць із моніторингом KPI
• Навчання команди та передача model card
• Гарантія досягнення цільових показників (закріплюється в договорі)

Отримайте консультацію по вашому складу — ми допоможемо оцінити потенціал системи. Замовте попередній аудит за 2 дні.

Процес робіт

1. Аналітика — збір даних, визначення обмежень
2. Проєктування — архітектура ML-пайплайну та інтеграції
3. Розробка — реалізація моделей, інтерфейсу рекомендацій
4. Тестування — A/B-тест на історичних даних та в пілоті
5. Деплой — розгортання в контурі замовника, моніторинг

Строки орієнтовно

Від 2 до 4 місяців залежно від обсягу SKU (до 50 000) та складності інтеграції з WMS. Вартість розраховується індивідуально — зв'яжіться для отримання оцінки.

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.