El grupo de Bienes Raíces y Seguridad de Microsoft usa ML.NET para hacer que la administración de las instalaciones sea más inteligente

El grupo Real Estate and Security (RE&S) de Microsoft opera una de las infraestructuras de instalaciones más complejas de cualquier empresa global: una "ciudad global" con 1 116 edificios de empleados y centros de datos en 112 países o regiones. RE&S administra todo, desde la preparación de alimentos hasta el mantenimiento de buses, el orden de los alimentos y los sistemas de calefacción y refrigeración. Mantener esta ciudad funcionando sin problemas es una gran empresa y RE> se basa en la automatización inteligente de edificios para ayudar a controlar la calefacción, la ventilación y el aire acondicionado, la iluminación y otros sistemas.

Sólo en Puget Sound, donde se encuentra la sede de Microsoft, hay más de 100 edificios con más de 33.000 equipos de climatización. Cada día, se recogen ~49M de fallos de los dispositivos habilitados para IoT que envían la telemetría del dispositivo a los sistemas de gestión de edificios (BMS) de terceros, como ICONICS. Los fallos IoT transferidos desde el BMS a Dynamics 365 Connected Field Service se convierten en alertas, y las alertas relevantes se convierten en órdenes de trabajo. Las órdenes de trabajo permiten programar el mantenimiento y la reparación de los recursos del edificio.

Problema empresarial

Cuando el grupo RE&S implementó por primera vez el conector de ICONICS a Dynamics 365, cada edificio Energy Smart tenía un promedio de unos 2000 errores al día para los dispositivos HVAC. El grupo estaba limitado por el número de edificios que podían incorporar a Dynamics 365, como ~2000 x 100 = ~200 000/día, lo que sobrecargaría la base de datos y sería difícil de manejar para los usuarios finales y técnicos. Había una gran necesidad de elegir los errores correctos y reducir el ruido para ayudar a reducir el número de errores y predecir qué errores probablemente se convertirían en órdenes de trabajo.

Por lo tanto, el grupo RE&S decidió implementar un modelo de Machine Learning (externo a Dynamics 365), que podría elegir el conjunto correcto de errores con una probabilidad mucho mayor de convertir en órdenes de trabajo y quitar el ruido.

¿Por qué ML.NET?

El grupo RE&S de Microsoft decidió usar ML.NET por varias razones. Una razón fue la familiaridad de la tecnología .NET entre el equipo.

.NET es ampliamente conocido en el grupo RE&S y tenemos un gran nivel general de experiencia con la tecnología .NET entre el equipo de desarrollo. El uso de ML.NET nos permite superar la brecha de conocimientos técnicos de otros marcos de ciencia de datos, herramientas e IDE, lo que permite una respuesta rápida al implementar soluciones de aprendizaje automático."

Además, el grupo consideró que ML.NET era fácil de usar, especialmente al utilizar AutoML con ML.NET Model Builder en Visual Studio para el entrenamiento de modelos. El grupo RE&S también consideró que ML.NET era una solución de coste optimizado para machine learning, y pudieron implementar fácilmente ML.NET tanto a nivel local como en una canalización Azure DevOps.

Impacto de ML.NET

La solución de ML.NET del grupo RE&S ha tenido un impacto significativo. Con sus modelos de ML.NET, que tienen una precisión de aproximadamente el 99%, ya han visto una reducción de entre el 70 y el 80 % de las alertas de IoT creadas en Dynamics 365. Esto ha permitido al grupo incorporar más edificios de forma segura, ha ayudado a reducir el ruido y ha puesto el foco en las alertas que realmente necesitan tomar medidas.

En el panel siguiente se muestra la diferencia entre dos soluciones de ML durante 7 días (por ejemplo, dos modelos de ML.NET diferentes según el tipo de dispositivos y la información del dispositivo):

Arquitectura de la solución

El grupo RE&S de Microsoft usa una canalización de Azure DevOps para ML.NET entrenamiento e implementación de modelos como servicio.

Los dispositivos IoT conectados al equipo HVAC envían telemetría del dispositivo a un sistema de administración de edificios de terceros denominado ICS, que ejecuta varias reglas para determinar si hay un error de IoT. The RE&A continuación, el grupo S recopila sus datos de entrenamiento y extrae todos los errores de la base de datos en ICS. Recopilan datos de dispositivo para dos tipos de errores: errores normales y errores inteligentes (o normalizados), que se usan para crear dos modelos de aprendizaje automático basados en las siguientes características:

• Tipo de dispositivo
• Puntuación normalizada
• Puntuación inteligente
• % marcado
• Gravedad marcada
• Oportunidad de ahorro energético
• Clase de equipo base
• Gravedad del error
• Riesgo de comodidad
• Causas posibles

La canalización de entrenamiento del grupo consta de las transformaciones de datos OneHotEncoding y Concatenation, y usan el algoritmo LightGBM para la clasificación binaria.

Cuando tienen un modelo de ML.NET entrenado, el grupo implementa su modelo como una función de Azure con un desencadenador HTTP. Estas funciones son llamadas por ICONICS a un conector de Dynamics 365 que decide si la falla debe ser una orden de trabajo o no.