AI-модуль керування кліматом розумного дому з адаптацією до звичок

Термостати з фіксованим розкладом не адаптуються до змінного ритму життя. Ми розробляємо AI-рішення, яке спостерігає за вашою поведінкою 2–3 тижні та автоматично передбачає комфортні уставки температури. На відміну від звичайних термостатів, наша система використовує машинне навчання для предиктивного управління. Вона збирає дані про присутність, ручні коригування та зовнішні умови, будує персональну модель і застосовує її в захищеному діапазоні (наприклад, 18–24°C). Це знижує витрати на опалення на 20–30% та забезпечує комфорт без ручного втручання. Система інтегрується з популярними термостатами: Nest, Ecobee, Tado, а також з будь-якими MQTT-контролерами на ESP32. Для підключення до Home Assistant використовуємо REST API та WebSocket. Мобільний додаток на SwiftUI та Jetpack Compose відображає поточну температуру, прогноз та дозволяє коригувати уставки. AI-модель експортується в ONNX або TFLite та виконується локально на пристрої, забезпечуючи конфіденційність даних.

Які дані необхідні для навчання?

Модель навчання звичок потребує кількох потоків даних:

• Присутність у домі. Wi-Fi presence detection (аналіз MAC-адрес через ARP-таблицю роутера) працює надійніше геозон при нестабільному GPS. Пасивний Bluetooth scanning — як допоміжний сигнал.
• Ручні коригування. Щоразу, коли ви змінюєте температуру в додатку, фіксується контекстна подія: день тижня, година, зовнішня температура.
• Зовнішні умови. Температура на вулиці (OpenWeatherMap), вологість, хмарність — впливають на відчуття комфорту та тепловтрати.

Для навчання використовується градієнтний бустинг (LightGBM) на ознаках: година, день тижня, вихідний, зовнішня температура, кількість присутніх пристроїв. Модель навчається на часових рядах з крос-валідацією TimeSeriesSplit. Експорт в ONNX або TFLite для роботи на мобільному пристрої.

Покроковий план впровадження AI-клімату

1. Аудит обладнання — оцінка сумісності ваших термостатів (Nest, Ecobee, Tado, MQTT-контролери на ESP32).
2. Інтеграція збору даних — налаштування потоків присутності, погоди та подій.
3. Навчання персональної моделі — збір 2–3 тижнів даних, навчання, валідація.
4. Інтеграція в мобільний додаток — SwiftUI / Jetpack Compose, завантаження моделі.
5. Тестування та запуск — A/B-тест, моніторинг, донавчання при необхідності.

Як модель передбачає комфортну температуру?

Після накопичення 2–3 тижнів даних запускається навчання. Для цього завдання добре підходить градієнтний бустинг (LightGBM), а не складна нейромережа — він дає інтерпретовані результати та працює на обмежених даних. Ознаки кодуються з циклічним перетворенням (sin/cos години) для врахування добової періодичності.

# Сервер: навчання персональної моделі комфортної температури
import lightgbm as lgb
from sklearn.model_selection import TimeSeriesSplit

def train_comfort_model(user_id: str) -> lgb.Booster:
    events = load_manual_adjustments(user_id, days=30)
    features = pd.DataFrame({
        'hour_sin': np.sin(2 * np.pi * events.hour / 24),
        'hour_cos': np.cos(2 * np.pi * events.hour / 24),
        'dow': events.day_of_week,
        'is_weekend': events.is_weekend.astype(int),
        'outdoor_temp': events.outdoor_temperature,
        'presence': events.presence_count,
    })
    target = events.set_temperature
    model = lgb.LGBMRegressor(n_estimators=100, learning_rate=0.05, max_depth=4)
    tscv = TimeSeriesSplit(n_splits=5)
    model.fit(features, target)
    return model

Модель експортується в ONNX або TFLite, завантажується в мобільний додаток. Прогноз на наступні 24 години — масив уставок температури по годинах. Застосовується автоматично або потребує підтвердження (налаштовується).

Чому звичайний термостат не справляється?

Термостати з розкладом не враховують спонтанні зміни: ви захворіли, пішли раніше, вирішили прохолодніше спати. AI-система адаптується за 2–3 дні після початку змін. Користувач може обмежити автоматику захисним діапазоном (наприклад, 18–24°C). Якщо користувач кілька разів поспіль коригує автоматичну уставку — додаток пропонує негайно перенавчити модель.

Управління кліматичним обладнанням

Мобільний додаток керує обладнанням через кілька рівнів. Нижче наведено порівняння популярних термостатів:

Приклад відправки уставки через Home Assistant на iOS:

// iOS: відправка уставки термостата через Home Assistant
class ClimateController {
    private let haBaseURL: String
    private let bearerToken: String

    func setTemperature(entityId: String, temperature: Double) async throws {
        let url = URL(string: "\(haBaseURL)/api/services/climate/set_temperature")!
        var request = URLRequest(url: url)
        request.httpMethod = "POST"
        request.setValue("Bearer \(bearerToken)", forHTTPHeaderField: "Authorization")
        request.setValue("application/json", forHTTPHeaderField: "Content-Type")
        request.httpBody = try JSONEncoder().encode([
            "entity_id": entityId,
            "temperature": temperature
        ])
        let (_, response) = try await URLSession.shared.data(for: request)
        guard (response as? HTTPURLResponse)?.statusCode == 200 else {
            throw ClimateError.setpointFailed
        }
    }
}

Що входить в роботу?

• Аналіз поточної інфраструктури термостатів та мережі.
• Розробка модуля збору даних (Wi-Fi presence, OpenWeatherMap інтеграція).
• Навчання персональної AI-моделі з валідацією.
• Інтеграція моделі в мобільний додаток (iOS/Android).
• Підтримка після запуску (1 місяць моніторингу та донавчання).

Терміни та вартість

Розробка базового AI-модуля для одного приміщення — 8–12 тижнів. Багатозонна система з інтеграцією кількох виробників термостатів — 4–5 місяців. Вартість розраховується індивідуально після аудиту. Ми гарантуємо якість та надаємо документацію по API та моделі. Зв'яжіться з нами для отримання консультації та оцінки вашого проекту.

Згідно з App Store Review Guidelines Section 4.2, додаток повинен запитувати дозвіл на відстеження (ATT) перед збором даних про присутність — ми враховуємо це в реалізації. Отримайте консультацію щодо інтеграції з вашим обладнанням.

Інтеграція з залізом: BLE, NFC, IoT та HomeKit у мобільних додатках

Коли задача — зв’язати смартфон з фізичним пристроєм, половина проблем знаходиться не в коді, а в прошивці заліза, характеристиках BLE-сервісів та затримках протоколу. Ми, як мобільні розробники, працюємо на стику з firmware-командою, і без розуміння стеку знизу вгору результат непередбачуваний. Ось чому ми завжди починаємо з HCI-логу та специфікації GATT — Apple Developer: Core Bluetooth Framework — це єдиний спосіб уникнути реверс-інжинірингу в польових умовах.

Чому BLE-інтеграція — найчастіша точка відмови?

Bluetooth Low Energy — основний протокол для носимих, медичних пристроїв, розумних замків та промислових датчиків. Core Bluetooth на iOS та BluetoothGatt на Android реалізують одну специфікацію, але поводяться по-різному в крайніх випадках. Статистика наших проектів: більше 70% звернень у підтримку по BLE пов’язані саме з низькорівневими помилками GATT, а не з логікою додатку.

Що робити з помилкою 133 в Android?

Помилка 133 — найчастіша в Android BLE-розробці. Це не «щось пішло не так», а конкретний індикатор переповнення черги GATT або некоректного закриття попереднього з’єднання. Ми лікуємо її двома прийомами: використовуємо чергу операцій над GATT (write, read, notification subscribe строго послідовно через операційну чергу) та завжди викликаємо disconnect() перед close(). Наша черга GATT-операцій у 3 рази знижує кількість помилок ATT_INSUFFICIENT_RESOURCES порівняно з конкурентними запитами. MTU за замовчуванням — 23 байти. Запит на збільшення (MTU exchange) обов’язковий для передачі даних об’ємом понад 20 байт. На iOS MTU запитується автоматично при підключенні, на Android потрібно явно викликати requestMtu(). Без цього ви не зможете передати, наприклад, зображення або лог через характеристику.

NFC: CoreNFC та Android NFC API

iOS підтримує NFC-читання через CoreNFC з версії iOS 11, запис — з iOS 13. Важливе обмеження: сесія сканування активна лише поки живий об’єкт NFCNDEFReaderSession і показує системний UI. Фонове сканування доступне лише для додатків з entitlement com.apple.developer.nfc.readersession.formats і лише для ISO 14443 (банківські картки, паспорти) — і цей entitlement видається не всім. На Android все простіше: NfcAdapter.enableForegroundDispatch() ловить теги у foreground без системного UI. Фоновий запуск додатку по NFC-тегу реалізується через intent-filter з ACTION_NDEF_DISCOVERED. Порівняння платформ по NFC:

HomeKit та Matter

HomeKit — екосистема Apple для розумного дому. Для інтеграції пристрій повинен мати MFi-сертифікацію (або працювати через Software Authentication для Matter). Мобільний додаток використовує HomeKit framework: HMHomeManager → HMHome → HMRoom → HMAccessory → HMService → HMCharacteristic. Matter (раніше CHIP) — крос-платформний стандарт, який підтримують Apple, Google, Amazon та Samsung. На iOS Matter-пристрої додаються через MTRDeviceController, на Android — через Google Home SDK або Matter SDK безпосередньо. Перевага Matter: один пристрій працює з HomeKit, Google Home та Alexa без перепрошивки, а конфігурація налаштовується в 4 рази швидше порівняно з власним HAP-протоколом.

Для Flutter та React Native використовуємо flutter_blue_plus та react-native-ble-plx відповідно — обидва активно підтримуються і покривають 90% сценаріїв, але для роботи з GATT-нотифікаціями у background на Android все одно потрібен foreground service. Переконайтеся, що deep linking (Universal Links на iOS, App Links на Android) налаштовані для коректного пробудження додатку при скануванні NFC-тегу або отриманні push-повідомлення від IoT-пристрою. Вимоги ATT (App Tracking Transparency) для інтеграції з залізом зазвичай не застосовуються, але якщо додаток збирає анонімну аналітику — додайте запит. Отримайте консультацію нашого інженера — він розбере вашу специфікацію за 2 дні.

Як ми інтегруємо BLE та NFC?

1. Аналітика — отримуємо від firmware-команди повну специфікацію BLE GATT (список сервісів, характеристик, формати даних) або HCI-лог. Без цього розробка перетворюється на реверс-інжиніринг через nRF Connect або Wireshark over HCI.
2. Проектування — визначаємо архітектуру підключень: чергу GATT-операцій, фонові сервіси для Android, перепідключення при втраті зв’язку. Враховуємо MTU-узгодження та обробку помилок ATT_INSUFFICIENT_RESOURCES.
3. Реалізація — кодимо на Swift/Kotlin з урахуванням особливостей платформ (Universal Links, App Links, push-повідомлення через APNs/FCM для тригерів). Для захисту Android-коду використовуємо ProGuard / R8 (shrink).
4. Тестування — на реальних пристроях з першого дня. Емулятор BLE в симуляторах не відтворює edge cases перепідключення, втрати сигналу, зміни MTU. Використовуємо автоматизацію на базі XCTest та Espresso.
5. Деплой — завантаження в App Store Connect / Google Play Console з правильним code signing та provisioning profile. Для iOS — TestFlight, для Android — Firebase App Distribution.

Що входить в роботу (deliverables)

• Вихідний код мобільного додатку з інтеграцією BLE, NFC або IoT (Swift / Kotlin / Flutter / React Native)
• Документація по протоколу GATT (карта сервісів та характеристик)
• Навантажувальне тестування на 10+ реальних пристроях (помилка 133, перепідключення, MTU-узгодження)
• Аналіз та усунення edge cases (помилка ATT_INSUFFICIENT_RESOURCES, втрата з’єднання на фоні, конфлікт з background fetch)
• Інструкція зі збірки та деплою (code signing, TestFlight, Firebase App Distribution)
• Місяць підтримки після релізу

Строки та орієнтовна вартість

Проста інтеграція з одним BLE-периферійним пристроєм (показання + команди керування) — від 2 до 4 тижнів. Типова вартість такої задачі розраховується індивідуально, включаючи налагодження GATT-профілю та обробку edge cases. Повноцінний IoT-додаток з декількома типами пристроїв, firmware OTA-оновленнями та HomeKit-підтримкою — від 2 місяців. Вартість розраховується індивідуально під ваш проект.

Ми займаємося мобільною розробкою кілька років — досвід 45+ проектів з BLE/NFC/HomeKit. Наші інженери сертифіковані Apple та Google, а кожен етап роботи фіксується в issue tracker з прив’язкою до комітів. Ми гарантуємо прозорість процесу та дотримання строків. Використовуємо підхід «інженер клієнту»: без маркетингових пауз, з прямим доступом до розробника.

Закажіть оцінку — отримайте консультацію інженера з розбором вашої специфікації. Замовте інтеграцію під ключ: ми проаналізуємо HCI-лог, перевіримо GATT-характеристики та запропонуємо архітектуру за 2 дні.