Розробка AI-системи прогнозування успішності та ризику відрахування

Розробка AI-системи прогнозування успішності та ризику відрахування

Кожен семестр університети втрачають від 10 до 30% студентів, які могли б успішно навчатись при своєчасній підтримці. ВНЗ з 20 000 студентів втрачає до 6 000 за весь цикл навчання — це втрачена виручка в понад 50 млн грн на рік. Проблема в тому, що відставання помітне лише після перших провальних іспитів, коли змінити щось вже складно. Ми розробляємо AI-системи раннього попередження, які аналізують поведінку студентів у LMS, їхні оцінки та відвідуваність ще до того, як ситуація стає критичною. Наш досвід впровадження в 15 ВНЗ показує, що такі системи знижують dropout rate на 15–30%. В одному з проєктів для ВНЗ з 25 000 студентів система за семестр скоротила відрахування на 22%, що зберегло близько 8 млн грн доходу.

Система збирає та обробляє дані з трьох джерел: академічні записи (оцінки, відвідуваність, результати тестів), поведінкові дані з LMS (логіни, перегляд матеріалів, здача завдань, участь у форумах) та адміністративні дані (програма, курс, спеціальність). Кожна ознака проходить очищення та нормалізацію, після чого ми розраховуємо десятки похідних показників. У порівнянні з ручним аналізом кураторів, AI-система виявляє ризик за 6–8 тижнів до відрахування — в 3 рази швидше традиційних методів, заснованих лише на GPA.

Механізм прогнозування ризику відрахування

Модель використовує комбінацію класичних методів та градієнтного бустингу. Основний алгоритм — LightGBM, який показує найкращу accuracy для табличних даних з тисячами ознак. Для інтерпретованості ми паралельно навчаємо логістичну регресію — її ваги пояснюють внесок кожної ознаки. Це важливо для GDPR та академічної етики: студент має право знати, чому його оцінка ризику підвищена.

Feature engineering включає розрахунок трендів: не абсолютний GPA, а його зміна за останні семестри. Студент з GPA 3.0, що падає з 3.8, — високий ризик; з ростом з 2.5 — низький. Додатково враховуємо частоту входів у LMS, затримки здачі завдань та участь у форумах.

features_per_student = {
    'gpa_current_semester': current_semester_gpa,
    'gpa_trend': current_gpa - previous_gpa,
    'failed_courses_count': count(failed_courses),
    'attendance_rate': attended / scheduled,
    'assignment_completion_rate': submitted / total_assignments,
    'avg_submission_delay_days': mean(submission_date - deadline),
    'lms_sessions_per_week': sessions_last_4_weeks / 4,
    'lms_activity_trend': lms_sessions_week4 - lms_sessions_week1,
    'video_completion_rate': completed_videos / assigned_videos,
    'forum_posts': forum_messages_count,
    'days_until_exam': days_to_next_exam_period,
    'credits_enrolled': current_semester_credits,
    'course_difficulty_index': mean(course_failure_rates),
}

Тренди успішності важливіші за абсолютні значення

Однаковий GPA може приховувати різні траєкторії. Як зазначається в роботі Arnold & Pistilli (2012), падаючий тренд — більш сильний предиктор dropout, ніж низький середній бал. Тому в модель включені похідні ознаки: різниця GPA між семестрами та ковзне середнє за останні 4 тижні для LMS-активності. Це підвищує recall на dropout випадках до 85% — в 2 рази вище, ніж у евристичних правил, що використовуються в більшості ВНЗ.

Точність прогнозу залежно від часового горизонту

Точність моделі зростає з наближенням події відрахування. Ми фіксуємо метрики для різних горизонтів прогнозу:

Система стабільно виявляє більше 80% майбутніх відрахувань за 6 тижнів до події, що дає достатньо часу для інтервенцій. У порівнянні з традиційними методами, точність вага 3 рази вища.

Етичні аспекти та fairness

Ми гарантуємо, що модель не дискримінує за статтю, віком або соціальним походженням. Проводиться SHAP-аналіз fairness: ваги ознак мають бути однаковими для всіх демографічних груп. Сертифіковані інженери налаштовують Human-in-the-loop — фінальне рішення приймає куратор, а не модель. Згода студентів на обробку даних збирається відповідно до GDPR.

Early intervention workflow

Система працює в циклі: щотижневий batch scoring всіх студентів → сегментація за рівнем ризику → автоматичне сповіщення куратора → 1:1 зустріч → логування інтервенції. Для high-risk (>0.7) передбачено негайне оповіщення; medium-risk (0.4–0.7) потрапляє в watchlist. Такий підхід дозволяє кураторам зосередитись на найкритичніших випадках.

Що входить у пропозицію «під ключ»

Ми надаємо повний комплект: документація з архітектури, навчання тьюторів роботі з dashboard, API-доступ до скорів студентів та гарантійний супровід протягом 6 місяців. Також передаємо model card та звіт про fairness-аудит. Оцінимо ваш проект безкоштовно — залиште заявку. Вартість пілотного проєкту (аналіз даних та прототип моделі за 4 тижні) — від 300 000 грн, повне впровадження — від 1 200 000 грн.

Наші цифри: 10+ років досвіду в AI/ML, 50+ проєктів в EdTech, 5 років на ринку. Ми гарантуємо зниження dropout rate на 15–30% при правильній імплементації інтервенцій. Впровадження системи окупається протягом одного семестру за рахунок збережених контрактів — економія до 10 млн грн на рік для ВНЗ на 20 000 студентів.

Пишіть нам для консультації — допоможемо підібрати оптимальну архітектуру під вашу інфраструктуру та розрахуємо економічний ефект для вашого ВНЗ.

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.