Группа Microsoft Real Estate and Security использует ML.NET, чтобы сделать управление объектами более разумным

Группа Real Estate and Security (RE&S) в Microsoft управляет одной из самых сложных инфраструктур любой глобальной компании: «глобальным городом» с 1116 зданиями для сотрудников и центрами обработки данных в 112 странах/регионах. RE&S управляет всем: от приготовления пищи до обслуживания автобусов, заказа мебели, систем отопления и охлаждения. Поддержание бесперебойной работы этого города — большая задача, и RE&S полагается на интеллектуальную автоматизацию зданий, которая помогает управлять отоплением, вентиляцией и кондиционированием воздуха, освещением и другими системами.

Только в Пьюджет-Саунд, где находится штаб-квартира корпорации Майкрософт, более 100 зданий с более чем 33 000 единиц оборудования отопления, вентиляции и кондиционирования. Каждый день регистрируется около 49 миллионов сбоев с устройств с поддержкой IoT, которые отправляют данные телеметрии устройств в сторонние системы управления зданием (BMS), такие как ICONICS. Ошибки IoT, переданные из BMS в Dynamics 365 Connected Field Service, становятся оповещениями, а соответствующие оповещения преобразуются в рабочие задания. Заказы на работу позволяют планировать техническое обслуживание и ремонт строительных активов.

Бизнес-проблема

Когда группа RE&S впервые реализовала коннектор ICONICS к Dynamics 365, в каждом здании Energy Smart в среднем происходило около 2000 сбоев в день из-за устройств HVAC. Группа была ограничена тем, сколько зданий они могли подключить к Dynamics 365: ~2000 x 100 = ~200 тыс./день, что перегружало бы базу данных и было бы громоздким для конечных пользователей и технических специалистов. Была большая потребность выбрать правильные ошибки и уменьшить шум, чтобы помочь уменьшить количество ошибок и предсказать, какие ошибки, скорее всего, станут рабочими заданиями.

Отдел RE&S решил внедрить модель машинного обучения (вне Dynamics 365), способную подбирать корректный набор сбоев с гораздо большей вероятностью их преобразования в заказы на работу и удаления шума.

Почему ML.NET?

Группа Microsoft RE&S решила использовать ML.NET по нескольким причинам. Одной из причин было знакомство команды с технологией .NET.

.NET широко известна в группе RE&S, и мы обладаем большим опытом работы с технологией .NET среди команды разработчиков. Использование ML.NET позволяет нам преодолеть пробел в технических знаниях других платформ, инструментов и интегрированных сред разработки, что позволяет быстро внедрять решения для машинного обучения".

Кроме того, группа обнаружила, что ML.NET прост в использовании, особенно при использовании AutoML с ML.NET Model Builder в Visual Studio для обучения моделей. Группа RE&S также считает, что ML.NET — это экономичное решение для машинного обучения, и они могут легко внедрить ML.NET как локально, так и в конвейере Azure DevOps.

Влияние ML.NET

Решение ML.NET группы RE&S оказало значительное влияние. С их моделями ML.NET, которые имеют точность ~ 99%, они уже добились сокращения примерно на 70-80% предупреждений IoT, созданных в Dynamics 365. Это позволило группе безопасно обслуживать больше зданий, помогло снизить уровень шума и сосредоточить внимание на предупреждениях, которые действительно требуют принятия мер.

На следующей панели мониторинга показана разница между двумя решениями ML за 7 дней (например, две разные модели ML.NET в зависимости от типа устройств и сведений об устройствах):

Архитектура решения

Группа Microsoft RE&S использует конвейер Azure DevOps для обучения модели ML.NET и ее развертывания как услуги.

Устройства IoT, подключенные к оборудованию HVAC, отправляют данные телеметрии устройства сторонней системе управления построением под названием ICONICS, которая выполняет различные правила, чтобы определить наличие неисправности IoT. Затем группа RE&S собирает свои данные обучения и извлекает все неисправности из базы данных в ICONICS. Она собирает данные об устройствах для двух типов неисправностей: обычные сбои и интеллектуальные (или упорядоченные) сбои, которые затем используются для создания двух моделей машинного обучения на основе следующих функций:

• Тип устройства
• Нормализованная оценка
• Умная оценка
• % помечено
• Помеченная серьезность
• Возможность экономии энергии
• Базовый класс оборудования
• Серьезность ошибки
• Риск комфорта
• Возможные причины

Конвейер обучения группы состоит из OneHotEncoding и Объединения преобразования данных, и они используют алгоритм LightGBM для бинарной классификации.

Когда у них есть обученная модель ML.NET, группа развертывает свою модель как функцию Azure с триггером HTTP. Эти функции вызываются ICONICS для соединителя Dynamics 365, который решает, должна ли ошибка быть рабочим заданием или нет.