AI-моніторинг здоров'я тварин: від датчиків до прогнозів

На фермі з 200 голів ВРХ щодня генерується 50+ тисяч записів із вушних міток, болюсів і доїльних роботів. Сирі дані — просто числа. Без ML-обробки ви ризикуєте пропустити початок маститу за 48 годин до симптомів або не помітити охоту, що коштує десятків тисяч гривень за lost pregnancy. Наша AI-система перетворює ці числа на точні алерти та прогнози. Ми спеціалізуємося на інтеграції з існуючими сенсорами та налаштуванні моделей під ваше стадо. За рахунок раннього виявлення маститу економія сягає 1,5 млн грн на кожні 100 голів на рік. У цій статті розберемо ключові проблеми та покажемо, як ML вирішує їх ефективніше за традиційні методи.

Які проблеми вирішує AI-моніторинг?

Охота (еструс) – своєчасне виявлення критичне для відтворення. Порогові методи за одним акселерометром дають 70-80% точності. ML на мультисенсорних даних (активність + румінація + температура) піднімає detection rate до 95%, знижуючи кількість пропусків.

Мастит – запалення вимені: падіння румінації, зниження надоїв, підвищення температури. ML-модель виявляє за 24-48 годин до клінічних симптомів, використовуючи комбінацію ознак з болюса та доїльного робота. Це дозволяє розпочати лікування на ранній стадії та скоротити втрати молока.

Субклінічний ацидоз рубця (SARA) – прямий моніторинг pH рубця з болюса. Якщо pH < 5.8 більше 3 годин на день – алерт. ML прогнозує ризик на основі даних годівлі, що дає час для коригування раціону.

Кульгавість – зниження активності, асиметрія кроків, повільна ходьба. ML-модель оцінює ступінь за 5-бальною шкалою, що дозволяє розпочати лікування на ранній стадії та запобігти погіршенню.

Чому ML точніший за традиційні порогові методи?

Традиційні пороги (наприклад, активність > 200% baseline) дають багато false positives у стресових ситуаціях (спека, перегрупування). ML враховує контекст: добові ритми, сезонність, індивідуальну варіабельність. Ensemble моделей на активності, румінації, температурі та надій знижує хибні спрацьовування в 3-5 разів. За даними дослідження, опублікованого в Journal of Dairy Science, використання ML покращує точність детекції охоти на 15% порівняно з пороговими методами.

Як ми впроваджуємо систему моніторингу?

1. Аудит сенсорів та інфраструктури – перевіряємо сумісність вушних міток, болюсів, доїльних роботів з нашою платформою. Підтримувані сенсори: SCR, Allflex, Smaxtec, Moocall, Lely Astronaut.
2. Калібрування моделей під породу та клімат – збираємо baseline дані за 2-3 тижні, налаштовуємо пороги та feature engineering. Використовуємо PyTorch для часових рядів і LangChain для побудови RAG-пайплайнів.
3. Розробка ML-пайплайну – PyTorch, Hugging Face Transformers, ChromaDB для зберігання ембендінгів. Застосовуємо LoRA-адаптацію та квантизацію INT8 для зниження latency.
4. Інтеграція з Farm Management Software (Agrosoft, DairyComp 305, 1С:Ферма) через REST API.
5. Дашборд і алерти – веб-інтерфейс, Telegram/SMS сповіщення для ветеринарів.
6. Навчання персоналу – проводимо 2-денний training.

Приклад коду: детекція охоти

def detect_estrus(activity_data, cow_id, lookback_days=21):
    """
    Охота = різкий ріст активності + падіння румінації
    Цикл: 21 день → алерт при аномальному піці активності
    """
    activity_baseline = activity_data.rolling(21 * 24).quantile(0.5)  # медіана за 21 день
    activity_ratio = activity_data / activity_baseline

    rumination = get_rumination_data(cow_id)

    estrus_score = (
        activity_ratio *                            # ріст активності
        (1 - rumination / rumination.rolling(7 * 24).mean())  # падіння румінації
    )

    # Поріг: estrus_score > 1.5 протягом 4+ годин
    estrus_alert = (estrus_score > 1.5).rolling(4).min() > 0
    return estrus_alert, estrus_score

Що входить у проект?

• Аналітичний звіт – аудит поточних сенсорів, інфраструктури та якості даних.
• Калібровані ML-моделі – під вашу породу, клімат і тип утримання.
• Інтеграційний модуль – REST API для зв'язку з Farm Management System.
• Дашборд і система алертів – веб-інтерфейс, Telegram/SMS.
• Документація та навчання – 2-денний training для персоналу, технічна документація.
• Гарантійна підтримка – 3 місяці постпроектного супроводу.

Технічні деталі: модель маститу

def mastitis_risk_score(cow_id, current_features):
    features = {
        'rumination_drop_pct': (current_features['rumination_today'] -
                                 current_features['rumination_7d_mean']) / current_features['rumination_7d_mean'],
        'milk_yield_drop_pct': (current_features['milk_today'] -
                                 current_features['milk_7d_mean']) / current_features['milk_7d_mean'],
        'temp_deviation': current_features['rumen_temp'] - cow_history['temp_baseline'],
        'activity_change': current_features['activity_today'] / current_features['activity_7d_mean']
    }
    return mastitis_model.predict_proba([list(features.values())])[0][1]

Модель заснована на градієнтному бустингу (CatBoost) і навчається на історичних даних ферми. ROC-AUC >0.92.

Групова аналітика та прогнозування

Стадний стрес-індекс – якщо 20%+ корів показують зниження румінації одночасно → системна проблема (годівля, вентиляція, спека). Тепловий стрес – Temperature Humidity Index (THI) > 68 → зниження продуктивності. ML-прогноз втрат надоїв за прогнозом погоди. Додатково будуємо лактаційні криві для кожної корови, що дозволяє планувати запуск і отелення.

Порівняння сенсорів

Строки та умови

Базова система (детекція охоти, fever alerts, стадний стрес) – 4-5 тижнів під ключ. Розширена ML-аналітика (мастит, ацидоз, кульгавість, прогноз лактації) – 2-3 місяці. Вартість розраховується індивідуально, залежить від кількості голів, типів сенсорів та необхідної інтеграції. Ми гарантуємо точність прогнозів на рівні 90%+ після калібрування.

Зв'яжіться з нами для оцінки вашого проекту – надішлемо demo на ваших даних. Отримайте консультацію інженера безкоштовно. Більше п'яти років досвіду в cattle analytics, 15+ впроваджень на фермах від 100 до 5000 голів. Використовуємо стеки SCR, Allflex, Smaxtec, Lely Astronaut. Надаємо сертифікати відповідності моделей. Замовте пробний аналіз даних вашого стада – ми покажемо реальну економію на ваших цифрах.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.