Парк з 10 000 розумних лічильників. Одна відмова — втрата даних за місяць. Візит техніка коштує в середньому 200 у.о., але 70% викликів виявляються хибними. Класичний підхід — планове ТО або реакція на збій — неефективний: або пропускаєте відмови, або витрачаєте ресурси даремно. Ми побудували ML-систему, яка передбачає відмови за 30 днів з точністю 88% (recall) і знижує позапланові простої на 30%. За 5 років реалізували понад 50 проєктів у сфері предиктивного обслуговування IoT — від промислових сенсорів до медичного обладнання. Система обробляє телеметрію в реальному часі, виявляє аномалії та генерує risk score для кожного пристрою. Алгоритм dispatch оптимально розподіляє ресурси, скорочуючи виїзди техніків на 40%.
Як AI вирішує проблему дисбалансу класів?
Відмови становлять 0.1–2% спостережень. Звичайна logistic regression дає recall < 30%. Ми використовуємо LightGBM з class_weight='balanced' та популяційне навчання: спочатку тренуємо загальну модель на всьому парку, потім fine-tune під конкретний пристрій. Це дає recall 88% навіть при рідкісних відмовах. Для LSTM RUL, де потрібно більше даних, застосовуємо аугментацію синтетичних відмов (SMOTE).
Як ми будуємо pipeline предиктивного обслуговування?
Device → MQTT Broker (EMQX) → Kafka → InfluxDB/TimescaleDB ↓ ML Pipeline (Kubeflow) ↓ Model Registry (MLflow) ↓ Triton Inference Server Стек: MQTT для збору телеметрії, Kafka для буферизації, InfluxDB для зберігання часових рядів. ML-пайплайн на Kubeflow, експерименти логуємо в MLflow. Інференс через Triton Inference Server з ONNX Runtime. Для edge-пристроїв — quantized ONNX Runtime (зменшення розміру моделі в 4 рази при втраті точності <1%).
| Критерій | LightGBM (binary) | LSTM RUL |
|---|---|---|
| Точність прогнозу відмови | 88% recall | 82% recall |
| Час інференсу на CPU | 0.3 ms | 1.2 ms |
| Необхідні дані | 100+ відмов на тип | 500+ відмов, послідовності |
| Інтерпретованість | SHAP, feature importance | Attention weights |
LightGBM простіше впровадити (4 тижні). LSTM — для критичних систем, де важлива точність RUL.
Чому LightGBM виграє за швидкістю та інтерпретованістю?
Для задач з 0.1% відмов LightGBM дає стабільний recall 88% без складного тюнінгу. Інференс на CPU займає 0.3 мс — це дозволяє робити прогнози на кожному повідомленні телеметрії в реальному часі. На відміну від LSTM, LightGBM легко інтерпретувати через SHAP: ви бачите, які ознаки впливають на ризик відмови (температура, вібрація, кількість ребутів).
Як federated learning захищає дані?
Для медичних пристроїв з вимогами HIPAA/GDPR передавати сирі дані не можна. Federated learning навчає локальні моделі на кожному пристрої, передаючи лише оновлення ваг на центральний сервер. Це виключає витік приватних даних.
Процес роботи: від аудиту до моніторингу
| Етап | Тривалість | Результат |
|---|---|---|
| Discovery | 1–2 тижні | Аудит парку, збір даних, визначення метрик (MAE RUL, ROC-AUC) |
| Data pipeline | 2–3 тижні | MQTT → Kafka → InfluxDB, очищення, дедуплікація, уніфікація схем |
| Model training | 2–4 тижні | Експерименти в MLflow, вибір моделі (LightGBM/LSTM), крос-валідація |
| Deployment | 1–2 тижні | ONNX/Triton, Grafana dashboard з risk scores, OTA-механізм оновлення |
| Monitoring | 2 тижні | Дрейф даних, alerting, автоматичне перенавчання при зміні розподілу |
Що входить у deliverables
- Документація архітектури та pipeline.
- Навчена модель у форматі ONNX або TorchScript.
- Дашборд Grafana: risk scores, історія інференсів, alerting.
- Репозиторій з кодом та конфігами для відтворення.
- Інструкція з OTA-оновлення моделі на пристроях.
- Дводенний workshop для вашої команди.
- Гарантія 6 місяців на продакшен-модель (підтримка та рефайн).
Терміни та вартість
Терміни — від 4 тижнів (базовий класифікатор) до 4 місяців (повноцінне LSTM + dispatch + OTA). Вартість розраховується індивідуально — залежить від кількості пристроїв, кількості типів та необхідної точності. Отримайте консультацію — ми надішлемо кошторис і timeline під ваш проєкт. Економія на обслуговуванні може становити десятки тисяч у.о. на рік на тисячу пристроїв. Замовте пілотний проєкт — ми розгорнемо MVP на вашому парку за 2 тижні.
Чому обирають нас?
Гарантія на продакшен-модель 6 місяців. Сертифікати MLOps (Kubeflow, MLflow). Досвід з LSTM та LightGBM у production. Середнє зниження позапланових простоїв — 30%.