L’immobilier et le groupe de sécurité de Microsoft utilisent ML.NET pour rendre la gestion des infrastructures plus intelligente

Le groupe Re&S (Real Estate and Security) de Microsoft exploite l’une des infrastructures d’installations les plus complexes de toute entreprise mondiale : une \« ville globale »\ avec 1 116 bâtiments et centres de données d’employés dans 112 pays/régions. RE&S gère tout, de la préparation des aliments à la maintenance des bus, en passant par la commande de meubles, les systèmes de chauffage et de refroidissement. Maintenir le bon fonctionnement de cette ville est une tâche ambitieuse, et RE&S s’appuie sur une automatisation intelligente des bâtiments pour contrôler le chauffage, la ventilation et le climatiseur, l’éclairage et d’autres systèmes.

Dans Puget Sound seul, où se trouve le siège social de Microsoft, il existe plus de 100 bâtiments avec plus de 33 000 pièces d’équipement HVAC. Chaque jour, environ 49 millions d’erreurs sont collectées à partir d’appareils compatibles IoT qui envoient des données de télémétrie d’appareil à des systèmes de gestion de bâtiments tiers(BMS), tels que L’ICONE. Les erreurs IoT transférées de BMS vers Dynamics 365 Connected Field Service deviennent des alertes et les alertes pertinentes sont converties en ordres de travail. Les commandes de travail permettent de planifier la maintenance et la réparation des ressources de construction.

Problème d’entreprise

Lorsque le groupe RE&S a mis en œuvre pour la première fois le connecteur d'ICONICS à Dynamics 365, chaque bâtiment Energy Smart présentait en moyenne environ 2 000 défauts par jour provenant d'appareils CVC. Le groupe était limité par le nombre de bâtiments qu'il pouvait intégrer à Dynamics 365, car ~2 000 x 100 = ~200K/jour, ce qui surchargerait la base de données et serait difficile à manier pour les utilisateurs finaux et les techniciens. Il y avait un grand besoin de sélectionner les bons défauts et de réduire le bruit pour aider à réduire le nombre de défauts et prédire quels défauts deviendraient probablement des ordres de travail.

Par conséquent, le groupe RE&S a décidé d’implémenter un modèle Machine Learning (externe à Dynamics 365), qui pourrait choisir le bon ensemble d’erreurs avec une probabilité beaucoup plus élevée de conversion en ordres de travail et de suppression du bruit.

Pourquoi ML.NET ?

Le groupe RE&S de Microsoft a décidé d’utiliser ML.NET pour plusieurs raisons. L’une des raisons était la familiarité de la technologie .NET au sein de l’équipe.

.NET est largement connu dans le groupe RE&S, et nous avons un niveau d’expertise global élevé de la technologie .NET dans l’équipe de développement. L’utilisation de ML.NET nous permet de surmonter l’écart de connaissances techniques d’autres frameworks de science des données, d’outils et d’IDE, ce qui permet de répondre rapidement à la mise en œuvre de solutions de machine learning.\ »

En outre, le groupe a trouvé ML.NET facile à utiliser, en particulier lors de l’utilisation d’AutoML avec ML.NET Model Builder dans Visual Studio pour l’entraînement du modèle. Le groupe RE&S a également estimé que ML.NET était une solution optimisée pour le Machine Learning, et qu’il était facilement en mesure d’implémenter ML.NET localement et dans un pipeline Azure DevOps.

Impact de ML.NET

La solution de ML.NET du groupe RE&S a eu un impact significatif. Avec leurs modèles ML.NET, qui ont une précision d’environ 99 %, ils ont déjà vu une réduction d’environ 70 à 80 % des alertes IoT créées dans Dynamics 365. Cela a permis au groupe d’intégrer plus de bâtiments en toute sécurité, a permis de réduire le bruit et a mis l’accent sur les alertes qui nécessitent vraiment une action.

Le tableau de bord suivant montre la différence entre deux solutions ML pendant 7 jours (par exemple, deux modèles ML.NET différents en fonction du type d'appareils et des informations sur l'appareil) :

Architecture de la solution

Le groupe RE&S de Microsoft utilise un pipeline de Azure DevOps pour ML.NET l’entraînement et le déploiement en tant que service de modèle.

Les appareils IoT connectés à l'équipement HVAC envoient la télémétrie de l'appareil à un système de gestion de bâtiment tiers appelé ICONICS, qui exécute diverses règles pour déterminer s'il y a un défaut IoT. Le groupe RE&S collecte ensuite ses données d'entraînement et extrait tous les défauts de la base de données dans ICONICS. Ils collectent des données d'appareil pour deux types de pannes : les pannes régulières et les pannes intelligentes (ou normalisées), qui sont ensuite utilisées pour créer deux modèles d'apprentissage automatique basés sur les fonctionnalités suivantes :

• Type d’appareil
• Score normalisé
• Score intelligent
• % signalé
• Gravité avec indicateur
• Opportunité d’économies d’énergie
• Classe d'équipement de base
• Gravité de l’erreur
• Risque de confort
• Causes possibles

Le pipeline d’entraînement du groupe se compose des OneHotEncoding et Concaténation transformations de données, et ils utilisent l’algorithme LightGBM pour la classification binaire.

Lorsqu’ils ont un modèle ML.NET formé, le groupe déploie leur modèle en tant que fonction Azure avec un déclencheur HTTP. Ces fonctions sont appelées par ICONICS à un connecteur Dynamics 365 qui détermine si l’erreur doit être un ordre de travail ou non.