Il gruppo Microsoft Real Estate and Security usa ML.NET per rendere più intelligente la gestione delle strutture

Il gruppo Real Estate and Security (RE&S) di Microsoft gestisce una delle infrastrutture di strutture più complesse di qualsiasi azienda globale: una "città globale" con 1.116 edifici e data center dei dipendenti in 112 paesi/aree geografiche. RE&S gestisce tutto, dalla preparazione del cibo, alla manutenzione del bus, agli ordini di mobili, ai sistemi di riscaldamento e raffreddamento. Mantenere la città in esecuzione senza problemi è un'impresa di grandi dimensioni e RE&S si basa su un'automazione intelligente degli edifici per controllare riscaldamento, ventilazione e aria condizionata, illuminazione e altri sistemi.

Solo in Puget Sound, dove si trova la sede centrale di Microsoft, sono presenti 100 edifici con oltre 33.000 unità di apparecchiature HVAC. Ogni giorno, 49 milioni di guasti vengono raccolti dai dispositivi abilitati per IoT che inviano i dati di telemetria dei dispositivi a sistemi di gestione degli edifici di terze parti, ad esempio ICONICS. I guasti trasferiti dal sistema di gestione degli edifici a Dynamics 365 Connected Field Service diventano avvisi e gli avvisi pertinenti vengono convertiti in ordini di lavoro. Gli ordini di lavoro consentono la pianificazione della manutenzione e della riparazione per gli asset degli edifici.

Problema aziendale

Quando il gruppo RE&S ha implementato per la prima volta il connettore da ICONICS a Dynamics 365, ogni edificio Energy Smart aveva una media di circa 2.000 guasti al giorno dai dispositivi HVAC. Il gruppo era limitato nel numero di edifici di cui si poteva eseguire l'onboarding in Dynamics 365, perché ~2.000 x 100 = ~200.000 al giorno, il che avrebbe sovraccaricato il database e sarebbe stato difficile da gestire per gli utenti finali e i tecnici. Era necessario riuscire a selezionare i guasti giusti e ridurre gli elementi non significativi, per contenere il numero di guasti e prevedere quali sarebbero probabilmente diventati ordini di lavoro.

Il gruppo RE&S ha quindi deciso di implementare un modello di Machine Learning, esterno a Dynamics 365, che potesse scegliere il set corretto di guasti con una probabilità molto più elevata di diventare ordini di lavoro e rimuovere gli avvisi superflui.

Perché ML.NET?

Il gruppo RE&S di Microsoft ha deciso di usare ML.NET per diversi motivi, uno dei quali era la familiarità della tecnologia .NET all'interno del team.

.NET è ampiamente noto nel gruppo RE&S e il team di sviluppo ha un livello di competenza complessivo per la tecnologia .NET. L'utilizzo di ML.NET consente di superare il gap di conoscenze tecniche di altri Framework, strumenti e IDE di data science, consentendo un rapido ritorno all'implementazione delle soluzioni di machine learning."

Il gruppo ha trovato ML.NET facile da usare, in particolare quando si utilizza AutoML con ML.NET Model Builder in Visual Studio per la formazione dei modelli. Il gruppo RE&S fosse una soluzione ottimizzata dal punto di vista dei costi per l’apprendimento automatico ed è stato in grado di implementare facilmente sia a livello locale che in una pipeline di Azure DevOps.

Impatto di ML.NET

La soluzione ML.NET del gruppo RE&S ha avuto un impatto significativo. Con i loro modelli ML.NET, che hanno una precisione di circa il 99%, hanno già riscontrato una riduzione di circa il 70-80% degli avvisi IoT creati in Dynamics 365. Questo ha consentito al gruppo di eseguire l'onboarding di più edifici in modo sicuro, ha contribuito a ridurre il rumore e ha permesso di concentrare l'attenzione sugli avvisi che richiedono realmente un intervento.

Il dashboard seguente mostra la differenza tra due soluzioni ML per 7 giorni, ad esempio due modelli di ML.NET diversi in base al tipo di dispositivi e alle informazioni sul dispositivo:

Architettura della soluzione

Il gruppo RE&S di Microsoft usa una pipeline di Azure DevOps per il training di modelli ML.NET e la distribuzione come servizio.

I dispositivi IoT connessi alle apparecchiature HVAC inviano i dati di telemetria dei dispositivi a un sistema di gestione degli edifici di terze parti denominato ICONICS, che esegue varie regole per determinare se si è verificato un errore IoT. Il gruppo RES raccoglie quindi i dati di training ed estrae tutti gli errori dal database in ICONICS. Vengono raccolti i dati del dispositivo per due tipi di errori: errori regolari e errori intelligenti (o normalizzati), che vengono quindi usati per creare due modelli di Machine Learning in base alle funzionalità seguenti:

• Tipo di dispositivo
• Punteggio normalizzato
• Smart Score
• % Contrassegnato
• Gravità contrassegnata
• Opportunità di risparmio energetico
• Classe di apparecchiature di base
• Gravità dell'errore
• Rischio di comfort
• Possibili cause

La pipeline di training del gruppo è costituita da OneHotEncoding e Concatenazione trasformazioni dei dati, e usano l'algoritmo LightGBM per la classificazione binaria.

Quando è disponibile un modello ML.NET con training, il gruppo distribuisce il modello come funzione di Azure con trigger HTTP. Queste funzioni vengono chiamate da ICONICS in un connettore di Dynamics 365 che decide se il guasto deve diventare o meno un ordine di lavoro.