Grup Real Estat dan Keamanan Microsoft menggunakan ML.NET untuk membuat manajemen fasilitas lebih cerdas

Grup Real Estat dan Keamanan (RE&S) di Microsoft mengoperasikan salah satu infrastruktur fasilitas paling kompleks dibandingkan perusahaan global mana pun: "kota global" dengan 1.116 gedung karyawan dan pusat data di 112 negara/wilayah. RE&S mengelola semuanya mulai dari persiapan makanan, pemeliharaan bus, pemesanan furnitur, hingga sistem pemanas dan pendingin. Menjaga agar kota ini tetap berjalan lancar adalah tugas besar, dan RE&S bergantung pada otomatisasi gedung pintar untuk membantu mengontrol pemanasan, ventilasi dan penyejuk udara, pencahayaan, dan sistem lainnya.

Di Puget Sound saja, tempat kantor pusat Microsoft berada, terdapat lebih dari 100 bangunan dengan 33.000+ bagian perlengkapan HVAC. Setiap hari, ~49M kesalahan dikumpulkan dari perangkat dengan dukungan IoT yang mengirim telemetri perangkat ke sistem manajemen bangunan (BMS) pihak ketiga seperti ICONICS. Kesalahan IoT yang ditransfer dari BMS ke Dynamics 365 Connected Field Service menjadi peringatan, dan peringatan yang relevan dikonversi ke pesanan kerja. Perintah kerja memungkinkan pemeliharaan dan perbaikan dijadwalkan untuk membuat aset.

Masalah bisnis

Ketika grup RE&S pertama kali menerapkan konektor dari ICONICS ke Dynamics 365, setiap bangunan Energy Smart menghasilkan rata-rata sekitar 2.000 kesalahan per hari dari perangkat HVAC. Grup dibatasi oleh berapa banyak bangunan yang dapat mereka masukkan ke Dynamics 365, karena ~2.000 x 100 = ~200K/hari, akan membuat database kewalahan dan terlalu besar bagi pengguna akhir dan teknisi. Ada kebutuhan mendesak untuk memilih kesalahan yang tepat dan mengurangi kebisingan untuk membantu mengurangi jumlah kesalahan dan memprediksi kesalahan mana yang berkemungkinan akan menjadi perintah kerja.

Jadi, grup RE&S memutuskan untuk menerapkan model pembelajaran Mesin (eksternal untuk Dynamics 365), yang dapat memilih rangkaian kesalahan yang tepat dengan probabilitas konversi yang jauh lebih tinggi ke pesanan kerja dan menghapus kebisingan.

Mengapa ML.NET?

Grup RE&S Microsoft memutuskan untuk menggunakan ML.NET karena beberapa alasan. Salah satunya adalah keakraban tim dengan teknologi .NET.

.NET dikenal luas dalam grup RE&S, dan kami memiliki tingkat keahlian yang hebat secara keseluruhan dengan teknologi .NET di antara tim pengembangan. Dengan ML.NET, kami dapat mengatasi kesenjangan pengetahuan teknis kerangka kerja sains data, alat, dan IDE lainnya, yang memungkinkan penyelesaian cepat saat menerapkan solusi pembelajaran mesin."

Selain itu, grup ditemukan ML.NET mudah digunakan, terutama saat menggunakan AutoML dengan ML.NET Model Builder di Visual Studio untuk pelatihan model. Grup RE&S juga merasa bahwa ML.NET adalah solusi yang dioptimalkan biaya untuk pembelajaran mesin, dan mereka dengan mudah dapat menerapkan ML.NET baik secara lokal maupun di alur Azure DevOps.

Dampak ML.NET

Solusi ML.NET grup RE&S berdampak signifikan. Dengan model ML.NET mereka yang akurasinya ~99%, terjadi penurunan sekitar 70-80% peringatan IoT yang dibuat di Dynamics 365. Dengan begitu, grup dapat melayani lebih banyak bangunan dengan aman, turut mengurangi kebisingan, dan berfokus pada peringatan yang benar-benar memerlukan tindakan.

Dasbor berikut memperlihatkan perbedaan antara dua solusi ML selama 7 hari (misalnya, dua model ML.NET yang berbeda berdasarkan tipe perangkat dan informasi perangkat):

Arsitektur solusi

Grup RE&S Microsoft menggunakan alur Azure DevOps untuk pelatihan dan penyebaran model ML.NET sebagai layanan.

Perangkat IoT yang terhubung ke peralatan HVAC mengirim telemetri perangkat ke sistem manajemen bangunan pihak ketiga yang disebut ICONICS, yang menjalankan berbagai aturan untuk menentukan apakah ada kesalahan IoT. Grup RE&S kemudian mengumpulkan data pelatihan mereka dan mengekstrak semua kesalahan dari database di ICONICS. Mereka mengumpulkan data perangkat untuk dua jenis kesalahan: kesalahan reguler dan kesalahan cerdas (atau dinormalisasi), yang kemudian digunakan untuk membuat dua model pembelajaran mesin berdasarkan fitur berikut:

• Tipe Perangkat
• Skor yang Dinormalkan
• Skor Cerdas
• % Ditandai
• Keparahan Berbendera
• Peluang Penghematan Energi
• Kelas Peralatan Dasar
• Keparahan Kesalahan
• Risiko Kenyamanan
• Kemungkinan Penyebab

Alur pelatihan grup terdiri dari OneHotEncoding dan Rangkaian transformasi data, dan menggunakan algoritme LightGBM untuk klasifikasi biner.

Ketika mereka memiliki model ML.NET terlatih, grup menyebarkan model mereka sebagai Azure Function dengan Pemicu HTTP. Fungsi ini dipanggil oleh ICONICS ke konektor Dynamics 365 yang memutuskan apakah kesalahan harus berupa urutan kerja atau tidak.