Парк из 10 000 умных счётчиков. Один отказ — потеря данных за месяц. Выезд техника обходится в среднем 200 у.е., но 70% вызовов оказываются ложными. Классический подход — плановое ТО или реакция на сбой — неэффективен: либо пропускаете отказы, либо тратите ресурсы впустую. Мы построили ML-систему, которая предсказывает отказы за 30 дней с точностью 88% (recall) и снижает внеплановые простои на 30%. За 5 лет реализовали более 50 проектов в области предиктивного обслуживания IoT — от промышленных сенсоров до медицинского оборудования. Система обрабатывает телеметрию в реальном времени, выявляет аномалии и генерирует risk score для каждого устройства. Алгоритм dispatch оптимально распределяет ресурсы, сокращая выезды техников на 40%.
Как AI решает проблему дисбаланса классов?
Отказы составляют 0.1–2% наблюдений. Обычная logistic regression даёт recall < 30%. Мы используем LightGBM с class_weight='balanced' и популяционное обучение: сначала обучаем общую модель на всём парке, затем fine-tune под конкретное устройство. Это даёт recall 88% даже при редких отказах. Для LSTM RUL, где требуется больше данных, применяем аугментацию синтетических отказов (SMOTE).
Как мы строим pipeline предиктивного обслуживания?
Device → MQTT Broker (EMQX) → Kafka → InfluxDB/TimescaleDB ↓ ML Pipeline (Kubeflow) ↓ Model Registry (MLflow) ↓ Triton Inference Server Стек: MQTT для сбора телеметрии, Kafka для буферизации, InfluxDB для хранения временных рядов. ML-пайплайн на Kubeflow, эксперименты логируем в MLflow. Инференс через Triton Inference Server с ONNX Runtime. Для edge-устройств — quantized ONNX Runtime (снижение размера модели в 4 раза при потере точности <1%).
| Критерий | LightGBM (binary) | LSTM RUL |
|---|---|---|
| Точность прогноза отказа | 88% recall | 82% recall |
| Время инференса на CPU | 0.3 ms | 1.2 ms |
| Требуемые данные | 100+ отказов на тип | 500+ отказов, последовательности |
| Интерпретируемость | SHAP, feature importance | Attention weights |
LightGBM проще внедрить (4 недели). LSTM — для критичных систем, где важна точность RUL.
Почему LightGBM выигрывает по скорости и интерпретируемости?
Для задач с 0.1% отказов LightGBM даёт стабильный recall 88% без сложного тюнинга. Инференс на CPU занимает 0.3 мс — это позволяет делать прогнозы на каждом сообщении телеметрии в реальном времени. В отличие от LSTM, LightGBM легко интерпретировать через SHAP: вы видите, какие признаки влияют на риск отказа (температура, вибрация, число ребутов).
Как federated learning защищает данные?
Для медицинских устройств с требованиями HIPAA/GDPR передавать сырые данные нельзя. Federated learning обучает локальные модели на каждом устройстве, передавая только обновления весов на центральный сервер. Это исключает утечку приватных данных.
Процесс работы: от аудита до мониторинга
| Этап | Длительность | Результат |
|---|---|---|
| Discovery | 1–2 недели | Аудит парка, сбор данных, определение метрик (MAE RUL, ROC-AUC) |
| Data pipeline | 2–3 недели | MQTT → Kafka → InfluxDB, очистка, дедупликация, унификация схем |
| Model training | 2–4 недели | Эксперименты в MLflow, выбор модели (LightGBM/LSTM), кросс-валидация |
| Deployment | 1–2 недели | ONNX/Triton, Grafana dashboard с risk scores, OTA-механизм обновления |
| Monitoring | 2 недели | Дрейф данных, alerting, автоматическое переобучение при изменении распределения |
Что входит в deliverables
- Документация архитектуры и pipeline.
- Обученная модель в формате ONNX или TorchScript.
- Дашборд Grafana: risk scores, история инференсов, alerting.
- Репозиторий с кодом и конфигами для воспроизведения.
- Инструкция по OTA-обновлению модели на устройствах.
- Двухдневный workshop для вашей команды.
- Гарантия 6 месяцев на продакшен-модель (поддержка и рефайн).
Сроки и стоимость
Сроки — от 4 недель (базовый классификатор) до 4 месяцев (полноценное LSTM + dispatch + OTA). Стоимость рассчитывается индивидуально — зависит от числа устройств, количества типов и требуемой точности. Получите консультацию — мы пришлём смету и timeline под ваш проект. Экономия на обслуживании может составлять десятки тысяч у.е. в год на тысячу устройств. Закажите пилотный проект — мы развернём MVP на вашем парке за 2 недели.
Почему выбирают нас?
Гарантия на продакшен-модель 6 месяцев. Сертификаты MLOps (Kubeflow, MLflow). Опыт с LSTM и LightGBM в production. Среднее снижение внеплановых простоев — 30%.