IoT: детекция аномалий датчиков

Ситуация: False alarm rate датчиков умного дома — 12% (target 3%). Пользователи отключают уведомления, и пропускают реальные инциденты. Retention D90 устройств — 65%.

Платформа умного дома с 200 000 устройств (датчики движения, протечки, дыма, температуры). 5 000 алертов/день, из которых 600 — ложные. Основные причины: домашние животные, сквозняки, батарейки.

Доступные данные

• alerts: alert_id, device_id, alert_type, timestamp, severity, user_action, was_real_incident
• devices: device_id, type, user_id, installed_at, firmware_version, battery_level, sensitivity_setting
• user_settings: user_id, notifications_enabled, alert_types_enabled, snooze_active, sensitivity_pref
• device_telemetry: device_id, timestamp, reading_value, ambient_conditions, anomaly_score

Задачи

• Определить причины ложных срабатываний по типу датчика и условиям.
• Построить improved anomaly detection с контекстными фильтрами.
• Рассчитать impact false alarms на retention и notification engagement.
• Предложить adaptive sensitivity: auto-adjust на основе environment и user feedback.

Все кейсы для подготовки → ← Все кейсы