AI-моделювання кліматичних ризиків під ключ

Уявіть: у вас портфель із 500 промислових активів у різних кліматичних зонах. Регулятор вимагає розкрити фізичні та транзиційні ризики за стандартом TCFD. Страховики запитують Expected Annual Loss (EAL) для кожного об'єкта. Ручний аналіз за 4 сценаріями IPCC — тижні рутинної роботи, а готові чорні скриньки на кшталт MSCI не дозволяють зазирнути під капот. Наше AI-моделювання кліматичних ризиків переводить це завдання в кількісну оцінку з прив'язкою до конкретних активів, часових горизонтів та сценаріїв викидів. Наш досвід — 5+ проєктів для промислових та фінансових компаній, що підтверджує гарантію точності та релевантності результатів. Порівняно з ручним розрахунком, наше рішення скорочує час оцінки на 80%, а витрати — на 30–50% за рахунок автоматизації та повторного використання моделей.

Кліматичні ризики поділяються на фізичні (повені, спека, вітер) та транзиційні (вуглецеві податки, регуляторні зміни). Для кожного типу ми будуємо окремі моделі та агрегуємо їх у єдиний показник ClimateVaR. Нижче — як саме.

Фізичні кліматичні ризики

Класифікація за горизонтом:

• Короткострокові (<5 років): екстремальні опади, хвилі спеки, паводки
• Середньострокові (5–30 років): зміна частоти ураганів, посух, зростання рівня моря
• Довгострокові (>30 років): структурні зміни кліматичних зон, опустелювання

Сценарії IPCC:

Для кожного сценарію — набір кліматичних проєкцій (CMIP6 моделі), що використовуються як основа для регіонального downscaling.

Як ми будуємо модель фізичних ризиків

Крок 1: Asset Geocoding та Location Intelligence

# Прив'язка активів до координат
assets = {
    'asset_id': 'plant_001',
    'lat': 55.7522, 'lon': 37.6156,
    'asset_type': 'manufacturing',
    'replacement_value': 50_000_000,  # USD
    'operational_lifespan': 30  # років
}

Геопросторове об'єднання з кліматичними шарами (GADM, OpenStreetMap elevation).

Крок 2: Hazard Modeling

Flood risk: використовуємо глобальні flood-моделі (FATHOM, JBA Risk, AQUEDUCT). Для точки: flood depth × probability distribution.

Heat stress: WBGT (Wet Bulb Globe Temperature) за проєкціями NOAA, ERA5, CMIP6. Рахуємо зміну кількості днів з >35°C.

Wildfire: FWI (Fire Weather Index) на основі CMIP6 — зростання високопожежонебезпечних днів.

Крок 3: Vulnerability Assessment

Damage function за кривими Huizinga (Huizinga, 2017). Приклад для flood:

depth_damage_curve = {
    0.0: 0.00, 0.5: 0.15, 1.0: 0.30,
    2.0: 0.55, 3.0: 0.75, 5.0: 0.95
}

Крок 4: Expected Annual Loss (EAL)

Інтеграція по return periods (RP10 … RP500):

def expected_annual_loss(damage_by_return_period):
    return_periods = [10, 50, 100, 250, 500]
    probs = [1/rp for rp in return_periods]
    damages = [damage_by_return_period[rp] for rp in return_periods]
    return np.trapz(damages, probs)

Чому наша модель точніша за конкурентів?

Замість комерційних чорних скриньок (MSCI, Jupiter) ми використовуємо калібрування на відкритих рекордах (ERA5, AQUEDUCT) та ансамблеві методи для оцінки невизначеності. Середня помилка flood-depth на історичних подіях — 15%, що в 2 рази краще стандартних глобальних моделей. Крім того, ми впроваджуємо байєсівське оновлення у міру надходження нових кліматичних даних — це знижує p95-помилку наддовгострокових прогнозів на 25%.

Як ми оцінюємо невизначеність прогнозів?

Для кожного активу розраховуємо довірчі інтервали EAL методом bootstrap (1000 ітерацій). Результат представляємо як P50, P75, P95 — це дозволяє клієнту закладати резерви з урахуванням ризик-апетиту. Такий підхід дає прозорість, яку не забезпечують стандартні моделі.

Транзиційні ризики

Вуглецева вартість: для компаній з високими Scope 1+2 емісіями.

def carbon_cost_impact(scope12_emissions_tCO2, carbon_price_scenarios):
    return {scenario: emissions * price for scenario, price in carbon_price_scenarios.items()}

Stranded Assets: DCF за різних вуглецевих цін — ризик знецінення вугільних/нафтогазових активів.

Policy risk: NLP-аналіз законодавства (EU ETS, CBAM, російський ЕКОзбір) — оцінка ймовірності введення обмежень для галузей.

Етапи проєкту

Що входить у нашу роботу

• Розробка моделей фізичних ризиків (flood, heat, wildfire) під ваші активи
• Інтеграція сценаріїв IPCC та NGFS для транзиційних ризиків
• Розрахунок ClimateVaR та агрегація з урахуванням географічних кореляцій
• Генерація звіту TCFD (Governance, Strategy, Risk Management, Metrics and Targets)
• Надання API для інтеграції результатів у вашу звітну систему
• Навчання команди роботі з моделями та оновлення проєкцій при виході нових сценаріїв (гарантія свіжості даних)

Сертифікуємо модель за стандартами ISO 14090 (адаптація до зміни клімату). Оцінимо ваш проєкт за 3 дні — зв'яжіться для консультації. Замовте пілотний проєкт — отримайте експрес-оцінку ризиків по 50 активах за 2 тижні.

Дані та інструменти

Кліматичні дані: CMIP6, ERA5, CHELSA, WorldClim, AQUEDUCT. Інструменти: xarray, zarr, GeoPandas, Rasterio, PyMC, PyTorch.

Терміни: базова оцінка фізичних ризиків — 6–8 тижнів; повний багатосценарний аналіз (включаючи транзиційні ризики, ClimateVaR, TCFD) — 4–6 місяців. Зв'яжіться з нами для безкоштовної попередньої оцінки ризиків вашого портфеля.

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.