Production ML и shadow inference для производства
Технологический стек
- Python
- LightGBM
- XGBoost
- CatBoost
- scikit-learn
- ClickHouse
- Time Series
- Online Inference
- Shadow Inference
Задача
Для моделирования брака на работающем оборудовании недостаточно обучить классификатор: сырые PLC-срезы нужно связать с режимами станка, временным контекстом и достоверной разметкой до безопасной проверки модели.
Что я сделал
- Подготовил датасеты с временными окнами из ClickHouse и исследовал leakage, предвестники брака и нетипичные режимы.
- Обучал и сравнивал модели LightGBM, XGBoost и CatBoost, а также rule-based эксперименты.
- Реализовал online inference с историческими окнами и shadow-проверку, которая наблюдала за процессом без управления станком.
Архитектура
PLC history → dataset and labels → feature/window preparation → model training → online inference → shadow validation
Результаты инференса и опорные сигналы сохранялись для последующей сверки прогнозов с поведением оборудования.
Масштаб
Крупнейший подтверждённый эксперимент включал 643 924 среза и 6 299 PLC-сигналов. Лучший зафиксированный результат достигал PR-AUC 0.971; в ходе исследования проверялись сотни экспериментальных моделей.
Результат
- Получен воспроизводимый путь от промышленной телеметрии до проверки модели на живом процессе.
- Offline-метрики отделены от результатов наблюдения на реальном оборудовании — без заявлений об автономном управлении или предотвращённом браке.