Predicting the Future of Electric Vehicles: From Raw Data to a Live Web App

تُعدّ المركبات الكهربائية مستقبل النقل، لكنّ أعطال البطاريات أو المحركات غير المتوقعة قد تكون مكلفة وخطيرة. ماذا لو استطعنا التنبؤ بهذه الأعطال قبل وقوعها؟

في مشروعنا بمبادرة رواد مصر الرقمية (DEPI)، خضنا غمار هذا التحدي تحديدًا. لم نكتفِ بتدريب نموذج تعلّم آلي في بيئة Jupyter Notebook، بل أردنا بناء تطبيق متكامل وعملي يُمكن لأي شخص استخدامه.

اليوم، يُسعدنا أن نُقدّم لكم EVGuard، منصة الصيانة التنبؤية المتكاملة للمركبات الكهربائية! ⚡

الرحلة والتحديات التقنية:

1️⃣ البيانات والذكاء الاصطناعي (التعلم الآلي): التعامل مع بيانات مستشعرات المركبات ليس بالأمر السهل. فالبيانات غير متوازنة إلى حد كبير، وذلك لأنّ الأعطال نادرة لحسن الحظ. وهنا كان علينا أن نكون تحليليين للغاية: لقد تجاهلنا تمامًا "الدقة" كمقياس أساسي لدينا. في مجال الصيانة التنبؤية، لا فائدة من دقة 99% إذا أغفل النموذج 1% من الأعطال الفعلية. لذا، قمنا بتحسين النموذج بشكل كبير من حيث معدل الاستدعاء ودرجة F1 الكلية باستخدام LightGBM، مما يضمن عمله كنظام إنذار مبكر حقيقي يرصد التدهور الفعلي دون إغراق المستخدم بإنذارات خاطئة.

2️⃣ المحرك (الخادم): لتفعيل النموذج، أنشأنا واجهة برمجة تطبيقات (API) فائقة السرعة باستخدام FastAPI. تمثل أحد التحديات الرئيسية في نشر نماذج التعلم الآلي الثقيلة على حاويات سحابية دون فشل فحوصات سلامة منصة PaaS. تغلبنا على هذه المشكلة بتطبيق بنية تحميل نماذج غير متزامنة، مما يضمن تشغيل واجهة برمجة التطبيقات فورًا مع تحميل النموذج بشكل آمن في الخلفية.

3️⃣ الواجهة (الأمامية): صممنا واجهة مستخدم أنيقة وعصرية باستخدام React (Vite) وTailwind CSS، تتضمن رسومًا بيانية تفاعلية في الوقت الفعلي (Recharts) لعرض تسلسلات بيانات المستشعرات وتقييمات المخاطر بشكل ديناميكي.

التقنيات المستخدمة:

🔹 الذكاء الاصطناعي/التعلم الآلي: Python, Pandas,Scikit-learn, LightGBM

🔹 الواجهة الخلفية: FastAPI, Docker, Uvicorn

🔹 الواجهة الأمامية:React, Vite, Tailwind CSS

🔹 النشر: Back4App Containers (Backend), Vercel (Frontend), GitHub