Smart Beehives

Проблема, которую замечают слишком поздно

Пасечник узнаёт о болезни, голодании, роении или ослаблении пчелиной семьи чаще всего с опозданием. Единственный способ проверить — открыть улей руками. Это тревожит пчёл, отнимает время и всё равно не гарантирует, что проблему заметят вовремя. На пасеке в несколько сотен ульев — а у крупных коммерческих хозяйств, по словам команды, их бывает до 500 — один человек физически не успевает обойти все.

Команда из Тараза знает это не понаслышке: в Жамбылской области пчеловодство распространено, и пасеки есть у многих их знакомых и родственников. Некоторые пчеловоды, рассказывают участники, теряли значительную часть семей за один сезон. Свой питч команда открывает с масштаба последствий:

«Вымирание пчёл ставит под угрозу всю экосистему земли и мировое продовольствие».

Что придумали

Beelieve — доступное дополнение к ульям, которые уже стоят на пасеке. В этом ключевое отличие от прямых конкурентов: пасечнику не нужно покупать новый дорогой «умный улей».

Под улей ставятся весы, внутри — блок с датчиками. Модуль снимает вес, температуру, влажность и звук и по их изменению определяет состояние семьи без вскрытия: резкое падение веса может означать кражу, рост шума — роение. Данные уходят по радиосвязи LoRa, которая работает там, где нет ни мобильной сети, ни Wi-Fi, а при аномалии пасечник получает уведомление.

Для испытаний команда объехала четыре пасеки и установила устройство в 11 ульев; собранные данные легли в обучение собственной модели на библиотеках NumPy и Keras. По результатам тестов команда заявляет 95% точности в оценке состояния улья.

Как это началось

«Искра появилась, когда мы поняли, что пчеловоды принимают многие решения на основе периодических осмотров и собственного опыта. При этом внутри улья каждый день происходят изменения, которые можно увидеть через вес, температуру, влажность и звук».

Главный провал: слишком много идей одновременно

«Наша главная ошибка заключалась в том, что сначала мы хотели добавить слишком много функций. Мы рассматривали камеру, солнечную панель и большое количество датчиков. На презентации это выглядело впечатляюще, но в реальном продукте повышало стоимость, энергопотребление и вероятность поломки».

В помещении датчики показывали хорошие результаты — в реальных условиях начинались проблемы: погрешность весов, обрывы связи, необходимость защищённого корпуса, требование к автономности батареи на долгий срок.

Камера здесь — не абстрактный пример. В питче на финале команда показывала её в работе: камера в улье с компьютерным зрением на OpenCV распознавала клещей и жуков. Позже, по словам команды, от камеры и солнечной панели отказались.

«Мы поняли, что хорошее изобретение определяется не количеством функций. Оно должно стабильно решать главную проблему пользователя».

Систему свели к весу, температуре, влажности, звуку, связи и предупреждениям. В аудио-интервью команда называет и способ, которым это выяснилось: начинать нужно с одного человека, чью проблему готов решать, а не с презентации. Камера и солнечная панель, говорят участники, для самого пчеловода оказались ненужными — и это можно было понять одним разговором с потенциальным клиентом.

«Ошибка не означает, что идея плохая. Иногда ошибка показывает, какую часть идеи нужно убрать».

Разбор изобретателя

Метод-этап	Сокращение фичей после того, как прототип столкнулся с реальностью пасеки
Что сработало	Свести систему к четырём измеримым сигналам (вес/температура/влажность/звук) вместо погони за «эффектным» набором функций
Что не сработало	Проектирование по принципу «чем больше, тем лучше» — камера, солнечная панель и множество датчиков одновременно, без проверки, что каждая функция решает проблему пользователя
→ Инструмент Части 2	Тест на слайд-фичу: «эта функция решает главную проблему пасечника — или просто хорошо смотрится на презентации?»

Где проект сейчас

После конкурса команда не остановилась: устройство поставили на настоящую пасеку и оставили там на 35 дней, чтобы проверить, как блок ведёт себя в поле и доходят ли данные с живых ульев. Затем проект, по словам участников, выиграл номинацию Best Student AI Startup на конкурсе AI Sana Generative Nation в рамках Digital Bridge — это принесло 5 млн тенге и, как рассказывает команда, личную награду Президента. Именно это участники считают главным доказательством того, что прибор дошёл «до настоящих ульев и настоящих пользователей».

Дальше — вторая версия устройства: компактнее, надёжнее, пригодная к массовому производству, которого пока нет — почти все прототипы собраны вручную. Команда хочет научить систему не только фиксировать изменения, но и подсказывать их причину, провести испытания на 100 ульях в Алматинской области и выйти на север и северо-запад Казахстана. В планах — сотрудничество с пчеловодческими объединениями, крупными пасеками и хозяйствами, использующими пчёл для опыления садов. По словам команды, посол Австралии предложил испытать прототипы в австралийском климате, и переговоры идут.

У самих участников после конкурса — поступление Айдархана Амирхана в Swarthmore College и Жангерея Бекбулата в Yale University; Адилет Даулети получил оффер в Higgsfield.

Потенциал развития

Взгляд со стороны: чем этот проект может стать, если довести его до продукта. Это аналитическая гипотеза редакции, а не заявление команды.

Корпус с датчиками повторит любая мастерская, поэтому ценность Beelieve — в паре «обученная модель + датасет с реальных пасек»: команда уже собрала данные с 11 ульев и заявляет 95%-ную точность предсказания состояния семьи. Это редкий актив — размеченные данные о поведении пчелиной семьи в норме и при угрозе почти нигде не существуют в открытом доступе.

Модель дохода такого продукта логичнее строить вокруг подписки на мониторинг: данные ценнее разового устройства, а при разовой продаже модуля бизнес заканчивается в момент, когда пасечник купил датчик.

Направления, куда это масштабируется

Направление	Что переиспользуется	Пример применения
Промышленное опыление садов	Та же модель раннего предупреждения о состоянии семьи	Хозяйства, использующие пчёл для опыления, — прямая цель, уже названная самой командой
Точный агромониторинг без интернета	Комбинация вес/температура/влажность/звук как универсальный низкоэнергетический сенсорный пакет	Удалённые фермерские объекты, где важно мониторить состояние без постоянного подключения
Компьютерное зрение для выявления вредителей	CV-модель распознавания клещей и жуков из первой версии	Диагностика других сельскохозяйственных вредителей по изображению, не только в улье
Датасет как обучающий актив	Размеченные данные о состоянии пчелиной семьи	Лицензирование данных другим агротех-разработчикам, институтам, занимающимся сохранением популяции пчёл

Что нужно доказать. Первое — точность модели 95% заявлена по ограниченному пилоту (11 ульев), нужна проверка на планируемых 100 ульях в разных условиях. Второе — экономику ретрофит-модуля в серии: сколько стоит один комплект и готовы ли пасечники платить за него или за подписку на данные. Третье — место камеры: команда убрала её ради простоты, и если распознавание паразитов когда-нибудь вернётся, оно изменит и себестоимость, и позиционирование продукта.

Что советуют тем, кто начинает

«Не жди идеальной идеи. Найди настоящую проблему и сделай первую работающую версию решения».

«Изобретать — это…»

«Изобретать — это замечать проблему раньше, чем все привыкнут с ней жить».

Официальное описание

Формулировка организатора с сайта конкурса solvefortomorrow.kz — приводится как есть, это не текст редакции.

О важности пчел для людей и планеты напомнили ребята из команды Beelieve. Ведь эти насекомые отвечают сегодня за опыление примерно трети растений, которыми мы питаемся. Однако им грозит вымирание. Чтобы уберечь их, юные разработчики презентовали инновационный улей. Используя модули LoRa и ИИ можно отслеживать показатели темературы, влажности, пестицидов и наличие паразитов на пасеке и далее устранять опасности. Некоторые казахстанские пчеловоды высоко оценили «умный» улей и планируют применять такой подход.

Место: 3 место · Тараз, НИШ ФМН