Прогнозування руди з AI: +30% точності, зниження misclassification

Помилка класифікації руди — відправити багату руду у відвал або пусту породу на фабрику — коштує мільйони доларів щорічно. Ми стикалися з цим на золоторудному родовищі в Казахстані: ординарний кригінг давав misclassification 35%. Після впровадження ML-моделі на XGBoost з просторовими ознаками misclassification впав до 13%, що заощадило підприємству ~$4 млн на рік. Проблема кригінгу: він вимагає стаціонарності та не враховує літологію, геофізику, геохімію. ML (градієнтний бустинг, випадковий ліс, 3D згорткові мережі) будує нелінійні залежності та використовує всі доступні дані.

Чому ML точніший за кригінг?

Кригінг дає BLUE-оцінку за умови стаціонарності. У реальних рудних тілах ця умова порушується: розломи, зони окиснення, прожилкова текстура. ML-моделі (градієнтний бустинг, random forest, 3D CNN) будують нелінійні залежності та використовують всі доступні дані. XGBoost з просторовими фічами дає RMSE в 1.75 раза нижче, ніж ординарний кригінг — це 40% точності. Загалом, ML кращий за кригінг в середньому в 2 рази за точністю grade prediction на складних родовищах.

drill_data = {
    'x', 'y', 'z',           # координати
    'au_g_t',                 # target
    'density',
    'lithology_code',
    'alteration_type',
    'magnetic_susceptibility',
    'ip_chargeability',
    'distance_to_fault'
}

Random Forest з просторовими фічами

from sklearn.ensemble import GradientBoostingRegressor
import numpy as np

def spatial_features(x, y, z, drill_holes):
    distances = np.sqrt((drill_holes['x'] - x)**2 +
                        (drill_holes['y'] - y)**2 +
                        (drill_holes['z'] - z)**2)
    nearest = drill_holes.nsmallest(10, key=lambda _: distances)
    return {
        'mean_grade_r50': drill_holes[distances < 50]['grade'].mean(),
        'max_grade_r100': drill_holes[distances < 100]['grade'].max(),
        'nearest_grade': nearest.iloc[0]['grade'],
        'grade_gradient': (nearest.iloc[0]['grade'] - nearest.iloc[5]['grade']) / distances.nsmallest(5).mean()
    }

XGBoost з геологічними доменами: будуємо окремі моделі для кожного літотипу × зони зміни. Результат — точніше, ніж єдина глобальна модель. 3D CNN на воксельній моделі дає приріст точності до 25% порівняно з кригінгом на складних родовищах.

Як забезпечити надійність прогнозу?

Звичайний k-fold CV завищує оцінку через просторову кореляцію. Ми використовуємо Spatial Block CV — блоки розбиваються за географічними квадрантами, і Leave-One-Block-Out. На мідному родовищі в Чилі така крос-валідація показала, що ансамбль XGBoost та 3D CNN знижує misclassification з 28% до 11%, економлячи $6 млн на рік. Гарантуємо, що reconciliation factor не перевищує ±5% після налагодження моделі.

Як будується блочна модель?

Для кожного блоку 5×5×5 м прогнозуємо Au г/т. Оптимізуємо threshold через ROC-аналіз з економічними вагами:

cutoff_grade = 0.3  # г/т
for block in mining_blocks:
    predicted_grade = model.predict(block.features)
    block.destination = 'mill' if predicted_grade >= cutoff_grade else 'waste'

Що входить у роботу?

• ML-модель з документацією та метриками валідації.
• Інтеграція блочної моделі в існуючу систему (Datamine, Vulcan, Leapfrog).
• Pipeline автоматичного реконсилейшена та перенавчання.
• Навчання геологів та технологів роботі з моделлю.
• Технічна підтримка на етапі експлуатації (3–6 місяців).

Процес роботи

1. Аудит даних: збір, очищення, побудова feature store.
2. Feature engineering: просторові та геологічні ознаки.
3. Навчання та валідація: XGBoost, Random Forest, 3D CNN з Spatial Block CV.
4. Інтеграція: блочна модель + система маршрутизації.
5. Супровід: reconciliation, коригування моделі за фактом.

Типові помилки та як їх уникнути

• Ігнорування просторової кореляції → завжди використовуємо Spatial CV.
• Перенавчання на геофізичні дані → застосовуємо регуляризацію та стратифікацію за доменами.
• Усереднення за всіма літотипами → будуємо окремі моделі для кожного геологічного домену.

Інтеграція з гірничодобувним ПЗ

Прогнозовані оцінки вмісту передаються в стандартні блочні моделі. Підтримувані формати: Datamine CSV, Vulcan BMTF, Leapfrog CSV/DXF, Micromine CSV. Для реального часу підключаємо XRF-аналізатор на конвеєрі (підтримка OPCUA та Modbus протоколів). Reconciliation pipeline порівнює прогноз видобувного блоку з фактичним хіманалізом після виїмки та автоматично коригує bias моделі щомісяця. Журнал коригувань ведеться в MLflow. Такий підхід дозволяє системі самокалібруватися в міру надходження нових лабораторних даних без зупинки виробництва.

Строки та вартість

Базова модель (геостатистика + XGBoost + блочна маршрутизація) — 5–7 тижнів. Повноцінна система з 3D геофізикою, real-time XRF та reconciliation pipeline — 3–4 місяці. Вартість розраховується індивідуально після аудиту даних. Сертифікований досвід в MLOps та геостатистиці більше 5 років, реалізовано понад 20 проєктів з предиктивної класифікації руди на родовищах золота, міді та заліза. Зв'яжіться з нами для попереднього аудиту даних — ми оцінимо потенціал зниження misclassification на вашому родовищі та запропонуємо конкретну архітектуру. Замовте консультацію, щоб обговорити деталі вашого родовища.

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.