Назад до блогу
Дані та аналітика16 хв читання

Прогнозування ключових виробничих KPI: можливості та обмеження ML-моделей

Чесна практична оцінка того, які виробничі KPI піддаються ML-прогнозуванню, а які — ні, з бенчмарками точності та реалістичними очікуваннями.

S

Serhiy Andrejev

Lead Machine Learning Developer

Прогнозування на основі машинного навчання обіцяє перетворити історичні виробничі дані на дієве передбачення. Проте розрив між точністю моделей у лабораторних умовах та реальністю виробничого цеху є значним і систематично недооцінюється. Ця стаття пропонує чесну класифікацію виробничих KPI за їхньою придатністю до ML-прогнозування — на основі опублікованих бенчмарків, промислових досліджень та нашого досвіду впровадження.

Вступ

Привабливість ML-прогнозування у виробництві є зрозумілою: передбачити споживання ресурсів, відмови обладнання чи відхилення якості до їхнього виникнення — і планувати краще, витрачати менше, реагувати швидше. Заяви вендорів про точність понад 95 відсотків стали стандартом у комерційних презентаціях.

Проте у нашій практиці впровадження рішень прогнозування в харчовій промисловості, сільському господарстві та дискретному виробництві ми спостерігаємо стійку закономірність: моделі, які блискуче працюють на історичних наборах даних, деградують при зіткненні з промисловою реальністю. Дрейф сенсорів, зміна рецептур, сезонні коливання робочої сили та старіння обладнання — усе це підриває статистичні припущення, на яких тримається точність моделей.

Це не технологічна невдача. Це наслідок застосування інструментів прогнозування до задач з різною внутрішньою передбачуваністю. Деякі KPI визначаються стабільними фізичними процесами з багатими даними — вони прогнозуються добре. Інші зумовлені людськими рішеннями, рідкісними подіями чи складними взаємодіями, що чинять опір навіть найсучаснішим ML-підходам. За даними дослідження McKinsey, лише приблизно 5,5 відсотка організацій отримують реальну фінансову віддачу від інвестицій у ШІ, причому понад 60 відсотків повідомляють про відсутність значного впливу на фінансові результати, попри активне впровадження [1]. Очікування систематично завищені.

У цій статті ми класифікуємо виробничі KPI за трьома рівнями прогнозованості — високий, середній та низький — і досліджуємо фактори, що визначають приналежність до кожного рівня. Наша мета — надати керівникам та технічним лідерам реалістичну основу для оцінки пропозицій щодо ML-прогнозування.

Що прогнозується добре: стабільні процеси з багатими даними

Найуспішніші застосування ML-прогнозування у виробництві мають спільні характеристики: базовий процес підпорядковується добре зрозумілим фізичним законам, дані є достатніми та відносно чистими, а взаємозв'язок між вхідними та вихідними параметрами змінюється повільно з часом.

Енергоспоживання є канонічним прикладом. Споживання електроенергії заводом визначається скінченним набором вимірюваних факторів — обсягом виробництва, графіками роботи обладнання, температурою навколишнього середовища та змінними графіками. Ці фактори створюють регулярні, відтворювані патерни, які ML-моделі ефективно вловлюють. Дослідження, що порівнює підходи глибокого навчання для погодинного прогнозування споживання електроенергії на металургійному заводі, демонструє, що моделі BiLSTM досягають найменших похибок як в абсолютному, так і у відносному вимірі, причому часові згорткові мережі (TCN) перевищують традиційні LSTM приблизно на 40 відсотків точності для короткострокового промислового прогнозування енергоспоживання [2]. На основі нашого досвіду з підприємствами харчової промисловості, моделі енергоспоживання зазвичай досягають значень MAPE (середньої абсолютної відсоткової похибки) 3–7 відсотків для прогнозів на добу вперед при відомому виробничому графіку та 8–12 відсотків для тижневих прогнозів, де враховується невизначеність графіка.

Споживання сировини для стандартизованих продуктів підпорядковується аналогічній закономірності. Коли виробнича лінія виготовляє однаковий продукт за тією самою рецептурою, витрата матеріалів на одиницю є високопередбачуваною. ML-моделі додають цінність переважно через виявлення непомітних трендів — поступового зростання частки відходів, що сигналізує про знос обладнання, чи сезонних коливань властивостей сировини, що впливають на вихід. Економічна цінність полягає у виявленні відхилень від очікуваних патернів, а не у самому прогнозі.

Споживання утиліт — води, пари, стисненого повітря, природного газу — також належить до категорії високої передбачуваності для безперервних процесів. Ці споживання тісно пов'язані з обсягом виробництва та умовами навколишнього середовища. Моделі, навчені на 12–18 місяцях погодинних даних, стабільно забезпечують прогнози, достатні для планування закупівель та розподілу витрат.

Спільна риса — стабільність процесу. Коли механізм генерації даних є послідовним у часі, ML-моделі мають статистичну основу, необхідну для надійної екстраполяції.

Що прогнозується із середньою точністю: багатофакторні процеси

Друга група виробничих KPI становить складніший виклик для прогнозування. На ці метрики впливає велика кількість взаємодіючих факторів, деякі з яких важко виміряти або мають нелінійні залежності з цільовою змінною. ML-моделі можуть надавати корисні прогнози для цих KPI, але зі значно ширшими довірчими інтервалами та більшою чутливістю до якості даних.

Коефіцієнт конверсії корму (FCR) у сільськогосподарському та тваринницькому виробництві є типовим прикладом цієї категорії. FCR — відношення спожитого корму до виробленої продукції (приріст ваги, яйця, молоко) — залежить від генетики, складу корму, умов навколишнього середовища, стану здоров'я тварин та управлінських практик. Нещодавні дослідження демонструють, що моделі градієнтного бустингу можуть досягти коефіцієнта детермінації (R²) 0,72 та кореляції 0,85 між прогнозованими та фактичними значеннями FCR у свинарстві, використовуючи дані понад 438 000 зразків кормів [3]. Це суттєва прогнозна здатність — корисна для виявлення відстаючих партій та оптимізації рецептур кормів — але далеко не та точність, якої досягає прогнозування енергоспоживання. У птахівництві моделі прогнозування FCR демонструють подібну помірну точність, причому нові підходи, що враховують фізіологію курей-несучок та параметри навколишнього середовища, доводять практичну цінність для прийняття рішень щодо управління стадом [4].

Динаміка продуктивності — складові OEE (загальної ефективності обладнання), показники пропускної здатності, тренди тривалості циклу — займають аналогічну середню позицію. Продуктивність окремого верстата є досить передбачуваною, коли він працює в межах свого нормального параметричного діапазону. Однак продуктивність на рівні системи виникає зі взаємодії між верстатами, операторами, графіками обслуговування та потоком матеріалів, що робить її за своєю природою більш мінливою. На основі наших спостережень у середовищах дискретного виробництва, прогнозування OEE на рівні виробничої лінії зазвичай досягає значень MAPE 10–18 відсотків для тижневих горизонтів, причому точність суттєво знижується за межами двотижневих прогнозів.

Показники якості — частка браку, відсотки виходу, відповідність розмірам — є помірно прогнозованими, коли фактори якості добре обладнані сенсорами. Сучасні сенсорні масиви на виробничих лініях здатні фіксувати сотні параметрів процесу, а ML-моделі можуть виявляти комбінації, що корелюють з якісними результатами. Гібридна архітектура CNN-LSTM, застосована для предиктивного обслуговування та моніторингу якості, продемонструвала точність 96,1 відсотка та F1-оцінку 95,2 відсотка при розрізненні нормальних та аномальних виробничих станів [5]. Проте цю точність класифікації не слід плутати зі здатністю прогнозувати конкретну частку дефектів у конкретний момент часу в майбутньому — перше є задачею розпізнавання патернів, тоді як друге вимагає прогнозування еволюції множини взаємодіючих змінних процесу.

Прогнозування попиту для виробництва на замовлення та короткоциклового виробництва знаходиться на межі між середньою та низькою передбачуваністю. Конкурс прогнозування M5 — одне з найбільших емпіричних досліджень точності прогнозування, що охопило 42 840 реальних часових рядів роздрібної торгівлі та понад 100 000 подань — продемонстрував, що навіть найкращі ML-моделі мають труднощі з переривчастими патернами попиту [6]. Виробничий попит успадковує цю проблему та додає складність у вигляді індивідуальних специфікацій, проєктного замовлення та портфелів продуктів із довгим хвостом розподілу.

Визначальна характеристика KPI середньої прогнозованості полягає в тому, що вони зумовлені вимірюваними факторами, але кількість релевантних факторів є великою, їхні взаємодії — складними, а деякі фактори змінюються швидше, ніж моделі здатні адаптуватися.

Що прогнозується погано: рідкісні події, людський фактор та зовнішні збурення

Третя група охоплює KPI, що чинять опір осмисленому ML-прогнозуванню, попри наявність історичних даних. Це не невдачі прогнозування — вони відображають фундаментальні обмеження статистичного передбачення, коли базові процеси визначаються рідкісними подіями, людськими рішеннями або зовнішніми силами, що знаходяться поза розподілом навчальних даних.

Рідкісні промислові аварії та інциденти з безпекою є найочевиднішим прикладом. Інциденти безпеки за визначенням є рідкісними на добре керованих підприємствах — ML-моделі мають недостатню кількість позитивних прикладів для навчання. Проблема базової частоти є серйозною: на підприємстві з одним інцидентом з втратою робочого часу на 100 000 робочих годин навіть модель з часткою вірно негативних результатів 99,9 відсотка генеруватиме переважно хибні тривоги, а не справжні передбачення. Практичний підхід — це ймовірнісна оцінка ризиків та превентивне втручання, а не прогнозування на рівні подій.

KPI, залежні від людського фактора — рівень абсентеїзму, частота помилок операторів, варіація продуктивності праці між змінами — зумовлені факторами, які ML-моделі не можуть спостерігати: індивідуальна мотивація, командна динаміка, особисті обставини та культура робочого місця. Моделі здатні вловлювати загальні патерни (абсентеїзм вищий у понеділок, частота помилок на нічній зміні підвищена), проте залишкова дисперсія є значною. На основі нашого досвіду, прогнози KPI, пов'язаних із робочою силою, рідко покращуються порівняно з простими сезонними середніми після врахування базових календарних ознак.

Зовнішні форс-мажорні події — перебої у ланцюгах постачання, регуляторні зміни, геополітичні впливи, екстремальні погодні умови — за своєю природою є безпрецедентними в історії конкретного підприємства. Період після 2020 року наочно продемонстрував, як події, виключені з навчальних даних як аномалії, можуть стати домінуючим фактором виробничих результатів. ML-моделі є принципово ретроспективними: вони навчаються на тому, що вже відбулося, і їхні прогнози передбачають статистичну безперервність. Коли критичний постачальник стає банкрутом або кордон закривається, моделі не можуть надати попереднє попередження.

Раптові катастрофічні відмови обладнання (на відміну від поступової деградації) також належать до цієї категорії. Хоча вібраційний аналіз і тепловий моніторинг здатні виявити багато попередників відмов, справді раптові відмови — заклинювання підшипника без попередніх сигналів, збій системи управління — є за своєю природою непередбачуваними. Адекватна відповідь — резервування та планування швидкого відновлення, а не прогнозування.

Фактори, що визначають точність прогнозу

Розуміння того, чому деякі KPI прогнозуються добре, а інші — ні, вимагає дослідження структурних факторів, що визначають прогнозованість. На основі нашого досвіду впровадження та опублікованих досліджень п'ять факторів є вирішальними.

Обсяг та якість даних. Усі методи ML-прогнозування потребують достатнього обсягу історичних даних для виявлення закономірностей. Для прогнозування часових рядів це зазвичай означає щонайменше 3–5 повних циклів домінуючої періодичності. Процес із вираженою сезонністю потребує щонайменше 3–5 років даних; процес з тижневими патернами може вимагати лише 3–5 місяців. Якість даних — повнота, точність, узгодженість часових міток та коректне маркування — є не менш важливою, ніж обсяг. У промислових умовах якість даних часто є критичним обмеженням: сенсори втрачають калібрування, канали передачі даних тихо виходять з ладу, а ручне введення даних створює похибки, що поширюються через модель.

Стабільність процесу. Прогнозування передбачає, що статистичні взаємозв'язки, засвоєні з історичних даних, зберігатимуться у майбутньому. Коли базовий процес змінюється — нове обладнання, нові рецептури, нові оператори, нові регуляторні вимоги — історичні взаємозв'язки можуть втратити актуальність. Це явище, відоме як дрейф концепції, є критичним викликом для ML у виробництві. Дослідження демонструють, що дрейф у виробничих середовищах виникає через знос обладнання, старіння сенсорів, зміни навколишнього середовища та модифікації заводської компоновки, спричиняючи деградацію моделі, яка може залишатися непоміченою протягом тривалого часу [7]. Активний моніторинг та періодичне перенавчання є обов'язковими контрзаходами, але вони додають постійні витрати та складність.

Кількість факторів та складність взаємодій. KPI, що визначається 3–5 вимірюваними факторами (енергоспоживання), є принципово легшим для прогнозування, ніж KPI, що визначається 20–50 взаємодіючими факторами (якість продукту в багатостадійному хімічному процесі). Прокляття розмірності є реальним: зі зростанням кількості релевантних ознак обсяг даних, необхідних для покриття простору вхідних параметрів, зростає експоненційно. Відбір ознак та доменна експертиза стають критично важливими для KPI середньої та високої складності.

Співвідношення сигнал-шум. Деякі KPI мають внутрішньо високу дисперсію, що не може бути зменшена додатковими вимірюваннями. Продуктивність оператора, наприклад, варіюється всередині зміни, між змінами та між працівниками у спосіб, що відображає людські фактори, а не фізику процесу. Незводна нижня межа шуму встановлює жорстке обмеження досяжної точності прогнозу, і жодна складність моделі не здатна його подолати.

Горизонт прогнозування. Точність знижується зі збільшенням горизонту прогнозування практично для всіх виробничих KPI. Прогноз енергоспоживання на 1 годину вперед може досягати MAPE 2 відсотки, тоді як тижневий прогноз для тієї самої змінної може сягати 10 відсотків. Для цілей планування ключове питання полягає в тому, чи є точність на необхідному горизонті планування достатньою для покращення рішень порівняно з простішими альтернативами (ковзні середні, експертна оцінка, евристики на основі правил).

Розрив між лабораторією та виробництвом

Мабуть, найвагоміший висновок з нашого досвіду впровадження — це систематичний розрив між точністю моделі в процесі розробки (лабораторні умови) та точністю моделі у виробничій експлуатації (промислові умови). Цей розрив існує для кожного проєкту прогнозування, який ми спостерігали, і його масштаб послідовно недооцінюється.

У лабораторії моделі навчаються на чистих історичних наборах даних з імпутованими пропущеними значеннями, обробленими викидами та коректним поділом на навчальну та тестову вибірки. На виробничому майданчику проявляються кілька механізмів деградації:

Крихкість каналу даних. Промислові дані рідко надходять такими чистими, як навчальні набори. Сенсори виходять з ладу, комунікаційні протоколи втрачають пакети, оновлення прошивки ПЛК змінюють формати даних. Модель, що очікує 50 вхідних ознак, але отримує лише 47, деградуватиме непередбачувано.

Дрейф концепції. Статистичні взаємозв'язки між вхідними даними та цільовими KPI зміщуються з часом — знос обладнання змінює сигнатури, нові партії сировини мають інші властивості, зміни в кадровому складі змінюють патерни продуктивності. Без активного моніторингу та перенавчання точність стабільно знижується.

Зміни операційного режиму. Нові продукти, переналаштування обладнання та регуляторна еволюція виштовхують робочі умови за межі навчального діапазону. У виробництві такі зміни є нормальним ходом справ.

Латентність інтеграції. Час між генерацією прогнозу та виконанням рішення подовжує ефективний горизонт прогнозування, знижуючи точність.

На основі наших спостережень, розрив між лабораторією та виробництвом зазвичай становить від 30 до 100 відсотків лабораторної метрики похибки. Модель, що досягає MAPE 5 відсотків у розробці, може забезпечувати MAPE 7–10 відсотків у стабільній виробничій експлуатації. Цей розрив не є недоліком — це структурна реальність, яку слід закладати в розрахунок ROI кожного проєкту прогнозування.

Архітектура Temporal Fusion Transformer — одна з найпотужніших моделей багатогоризонтного прогнозування — демонструє високу інтерпретованість та приріст точності на еталонних наборах даних, проте її розробники прямо визнають, що реальне впровадження вимагає ретельної уваги до якості даних, інженерії ознак та управління дрейфом концепції [8]. Ця відвертість від провідної дослідницької групи підкреслює, що лише витончена архітектура не гарантує точності промислового рівня.

Класифікація прогнозованості KPI

Наведена нижче таблиця узагальнює нашу оцінку поширених виробничих KPI за трьома рівнями прогнозованості. Діапазони точності відображають стабільну виробничу роботу, а не початкові результати розробки.

KPIПрогнозованістьТиповий MAPE (виробництво)Вимоги до данихКлючові обмеження
ЕнергоспоживанняВисока3–8%12–18 місяців погодинних даних, виробничий графікЗміни режиму, введення нового обладнання
Споживання сировини (стандартні продукти)Висока2–5%6–12 місяців пакетних даних, дані рецептурЗміни рецептур, заміна постачальників
Споживання утиліт (вода, пара, газ)Висока4–10%12 місяців погодинних даних, умови довкілляСезонне калібрування, проєкти розширення
Швидкість деградації обладнанняВисокаН/З (на основі RUL)Історія вібрацій/температур, журнали обслуговуванняРежими раптових відмов, прогалини сенсорних даних
FCR (тваринництво/птахівництво)Середня8–15%Дані декількох партій, сенсори довкілляГенетична варіація, хвороби
OEE / продуктивністьСередня10–18%6+ місяців позмінних данихКадрові зміни, зміни продуктового мікcу
Якість продукції / частка бракуСередня12–25%Масиви сенсорів, записи лабораторії якостіНові типи дефектів, варіація сировини
Попит (виробництво на замовлення)Середня–Низька15–30%2–3 роки історії замовлень, ринкові даніПереривчастий попит, відтік клієнтів
Інциденти з безпекоюНизькаНе має сенсуЖурнали інцидентів, звіти про потенційно небезпечні ситуаціїПроблема рідкісних подій, помилка базової частоти
Абсентеїзм робочої силиНизька20–40%Кадрові записи, календарні даніЛюдський фактор, незводна дисперсія
Перебої ланцюгів постачанняНизькаНе має сенсуДані постачальників, геополітичні індикаториНепередбачувані події, каскадні відмови
Катастрофічна відмова обладнанняНизькаНе має сенсуОпераційні дані, історія відмовНедостатньо прикладів відмов, раптовий початок

Таблиця 1. Класифікація прогнозованості виробничих KPI на основі опублікованих досліджень та досвіду впровадження. Діапазони MAPE відображають стабільну виробничу точність, а не лабораторні бенчмарки.

Рисунок 2. Діапазони точності MAPE за категоріями виробничих KPI. Стовпці відображають типовий діапазон MAPE у стабільній виробничій експлуатації; колір вказує на рівень прогнозованості. Джерело: Таблиця 1 вище.

Ландшафт прогнозованості та цінності

Взаємозв'язок між прогнозованістю KPI та економічною цінністю його прогнозування не є прямолінійним. Деякі високопрогнозовані KPI мають скромну економічну цінність на один прогноз (енергоспоживання на підприємстві з низькою енергоємністю), тоді як деякі слабко прогнозовані KPI мають величезну економічну цінність, якби їх можна було передбачити (катастрофічна відмова обладнання, інциденти з безпекою). Ця суперечність формує практичний інвестиційний ландшафт для ML-прогнозування.

Діаграма розсіювання нижче ілюструє цей ландшафт. KPI у верхньому правому квадранті — висока прогнозованість, висока економічна цінність — є природними відправними точками для ініціатив ML-прогнозування. KPI у верхньому лівому квадранті — висока цінність, але низька прогнозованість — представляють сфери, де традиційне управління ризиками, резервування та страхування залишаються більш доречними, ніж ML-прогнозування. Нижній правий квадрант — прогнозовані, але низькоцінні — може не виправдовувати інвестицій в ML-інфраструктуру.

Рисунок 1. Прогнозованість KPI vs. економічна цінність точного прогнозу. Точки розташовані на основі авторської оцінки з досвіду промислового впровадження. Оптимальна зона інвестицій у ML — верхній правий квадрант (висока прогнозованість, висока цінність).

Цей ландшафт пояснює, чому прогнозування енергоспоживання та предиктивне обслуговування (деградація обладнання) є найпоширенішими та найуспішнішими застосуваннями ML-прогнозування у виробництві — вони займають сприятливий квадрант, де і прогнозованість, і цінність є суттєвими.

Авторська оцінка та висновки

Після впровадження рішень ML-прогнозування у кількох промислових вертикалях ми вважаємо наступні висновки добре підтвердженими як опублікованими дослідженнями, так і практичним досвідом.

ML-прогнозування не є універсальним інструментом. Це потужний підхід для конкретних класів задач — тих, що характеризуються стабільними процесами, достатніми чистими даними та горизонтами прогнозування, що відповідають циклам прийняття рішень. Його безсистемне застосування до кожного доступного KPI марнує ресурси та породжує розчарування.

Розрив між лабораторією та виробництвом є реальним і суттєвим. Будь-який розрахунок ROI проєкту прогнозування, що використовує показники точності фази розробки, є оманливим. Ми рекомендуємо закладати збільшення метрик похибки на 30–100 відсотків при переході від розробки до стабільної виробничої експлуатації.

Починайте з високопрогнозованих та високоцінних KPI. Енергоспоживання, витрати сировини для стандартизованих продуктів та моніторинг деградації обладнання забезпечують найсприятливіше співвідношення інвестицій та віддачі. Це не найцікавіші застосування ML, проте саме вони найімовірніше забезпечать вимірюваний результат.

Інвестуйте в інфраструктуру даних раніше, ніж у моделі. На основі нашого досвіду, 60–70 відсотків зусиль у успішному проєкті прогнозування спрямовуються на надійність каналу даних, калібрування сенсорів, моніторинг якості даних та інтеграцію з операційними системами. Вибір між XGBoost та нейронною мережею має значно менше значення, ніж те, чи надходять дані повними, точними та вчасно.

Плануйте постійне обслуговування. Впроваджена модель прогнозування не є завершеним продуктом — це операційна система, що потребує моніторингу, перенавчання та адаптації. Дрейф концепції у виробничих середовищах не є теоретичним ризиком; це неминучість. Закладайте бюджет на операційну потужність аналітиків даних, а не лише на виконання проєкту.

Будьте чесними щодо обмежень. Найцінніша порада, яку практик прогнозування може дати керівнику виробництва, — чесна відповідь про те, що не може бути спрогнозовано. Рідкісні події, KPI людського фактора та непередбачувані зовнішні збурення потребують інших інструментів — управління ризиками, страхування, резервування, організаційної стійкості — а не більш витончених моделей. Визнання цих меж є ознакою аналітичної зрілості, а не обмеженням, яке слід долати.

Траєкторія розвитку ML-прогнозування у виробництві є позитивною. Архітектури на кшталт Temporal Fusion Transformer розвивають можливості багатогоризонтного прогнозування [8], а інструменти з відкритим кодом, такі як Nixtla StatsForecast, демократизують доступ до алгоритмів виробничого рівня [9]. Для організацій, що починають або розширюють ініціативи прогнозування, ми рекомендуємо поетапний підхід: розпочніть з високопрогнозованих KPI, побудуйте інфраструктуру даних для підтримки цих моделей у виробництві, а потім — з уже сформованими реалістичними очікуваннями — розширюйтесь на KPI середньої прогнозованості, де економічне обґрунтування виправдовує додаткову складність.

Джерела

  1. McKinsey & Company. "The State of AI: How Organizations Are Rewiring to Capture Value." 2025. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
  2. Nature Scientific Reports. "Comparative Evaluation of Several Models for Forecasting Hourly Electricity Use in a Steel Plant." 2026. https://www.nature.com/articles/s41598-026-43868-z
  3. Chen, Y. et al. "Machine Learning-Based Prediction of Feed Conversion Ratio: A Feasibility Study of Using Short-Term FCR Data for Long-Term FCR Prediction." Animals, 15(12), 1773. 2025. https://www.mdpi.com/2076-2615/15/12/1773
  4. Wang, X. et al. "Novel Insight into the Feed Conversion Ratio in Laying Hens and Construction of Its Prediction Model." Poultry Science, 103(10). 2024. https://pmc.ncbi.nlm.nih.gov/articles/PMC11345651/
  5. Nature Scientific Reports. "Comparison of Deep Learning Models for Predictive Maintenance in Industrial Manufacturing Systems Using Sensor Data." 2025. https://www.nature.com/articles/s41598-025-08515-z
  6. Makridakis, S. et al. "M5 Accuracy Competition: Results, Findings, and Conclusions." International Journal of Forecasting, 38(4), 1346–1364. 2022. https://www.sciencedirect.com/science/article/pii/S0169207021001874
  7. Jourdan, N. "Addressing Concept Drift in Machine Learning-Based Monitoring of Manufacturing Processes." TU Darmstadt. 2024. https://tuprints.ulb.tu-darmstadt.de/28043/
  8. Lim, B. et al. "Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting." International Journal of Forecasting, 37(4), 1748–1764. 2021. https://arxiv.org/abs/1912.09363
  9. Nixtla. "StatsForecast: Lightning-Fast Forecasting with Statistical and Econometric Models." GitHub. 2024. https://github.com/Nixtla/statsforecast
ml-прогнозуваннявиробничі kpiпредиктивна аналітикачасові рядидрейф концепціїпрогнозування енергоспоживанняпрогнозування fcrточність промислового ші

Рішення АКУТЕК за темою статті

Ми проєктуємо та впроваджуємо такі системи на промислових підприємствах України та ЄС.

Пов'язані статті

Потрібна консультація?

Зв'яжіться з нами для безкоштовної консультації.