AI-система предиктивного обслуговування IoT-пристроїв

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%).

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

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%.

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.