Microsoft の不動産とセキュリティ グループは ML.NET を使用してよりスマートに設備管理を行います

Microsoft の不動産とセキュリティ (RE&S) グループは、世界 112 か国/地域に 1,116 棟の従業員ビルとデータ センターを擁する "グローバル シティ" で、グローバル企業の中でも最大級の複合型設備インフラストラクチャを運営しています。RE&S は、食事の準備、バスの保守管理、家具の発注、冷暖房システムなど、あらゆることを管理しています。この都市の運営を円滑に行うことは大規模事業であり、RE&S は暖房、換気、空調、照明、その他のシステムを制御するためにスマート ビル オートメーションを利用しています。

Microsoft の本社がある Puget Sound だけで、33,000 以上の HVAC 機器を備えた 100 以上の建物があります。毎日最大 490 万件の障害が IoT 対応デバイスから収集され、デバイス利用統計情報が、ICONICS などのサードパーティ製のビル管理システム (BMS) に送信されます。BMS から Dynamics 365 Connected Field Service に転送された IoT エラーがアラートになり、関連するアラートが作業指示に変換されます。作業指示により、ビル資産のメンテナンスと修理をスケジュールできます。

ビジネスの問題

RE&S グループが ICONICS から Dynamics 365 へのコネクタを導入した当初、Energy Smart の各ビルでは、HVAC 機器で 1 日平均約 2,000 件のエラーが発生していました。2,000 件 x 100 日 = 200万件/日が発生すると、データベースの容量を超えてしまい、エンドユーザーや技術者が対応できなくなってしまうため、Dynamics 365 にオンボードできる建物の数には限界がありました。そのため、適切なエラーを抽出してノイズを削減し、エラーの発生件数を減らし、どのエラーに作業指示が必要かを予測することが必要でした。

そのため、RE&S グループは、機械学習モデル (Dynamics 365 の外部) を実装することを決定しました。このモデルは、作業指示に変換してノイズを除去する可能性がはるかに高い、適切な障害のセットを選択できます。

ML.NET を選ぶ理由

Microsoft の RE&S グループが ML.NET の使用を決定した理由はいくつかあります。1 つは、チームが .NET 技術に精通していたことです。

RE&S グループでは .NET が広く知られており、開発チームの間で全体的に .NET 技術に精通した素晴らしいレベルの専門家がいます。ML.NET を使用することで、他のデータ サイエンス フレームワーク、ツール、IDE の技術的な知識のギャップを克服し、機械学習ソリューションを迅速に実装することができます。"

また、このグループは ML.NET が使いやすいと感じ、特にモデル学習に Visual Studio の ML.NET Model Builder で AutoML を使用した場合に、その使いやすさを実感しました。RE&S グループは、ML.NET が機械学習向けのコスト最適化ソリューションであると感じ、ML.NET をローカルと Azure DevOps パイプラインの両方に簡単に実装することができました。

ML.NET の影響

RE&S グループの ML.NET ソリューションは、大きな影響力を持っています。99% 近い精度を持つ ML.NET モデルにより、Dynamics 365 で作成される IoT アラートの約 70% から 80% が既に削減されています。これにより、同グループはより多くの建物を安全にオンボードすることができるようになり、ノイズを除去し、本当にアクションを実行する必要のあるアラートにフォーカスすることができるようになりました。

次のダッシュボードには、7 日間の 2 つの ML ソリューション (たとえば、デバイスの種類とデバイス情報に基づく 2 つの異なる ML.NET モデル) の違いが表示されます。

ソリューション アーキテクチャ

Microsoft の RE&S グループは、ML.NET モデルのトレーニングとサービスとしてのデプロイに Azure DevOps パイプラインを使用しています。

HVAC 装置に接続されている IoT デバイスは、デバイス利用統計情報を、"ICONICS" というサードパーティの構築管理システムに送信します。これにより、さまざまな規則が実行され、IoT エラーがあるかどうかを判別します。RE&S グループでは、トレーニング データを収集し、ICONICS のデータベースからすべての障害を抽出します。これらは、通常の障害とスマート (または正規化) 障害の 2 種類の障害のデバイス データを収集し、次の機能に基づいて 2 つの機械学習モデルを作成するために使用されます:

• デバイスの種類
• 正規化されたスコア
• スマート スコア
• % フラグ付き
• フラグが設定された重大度
• 省エネの機会
• 基本機器クラス
• 障害の重要度
• 快適さのリスク
• 考えられる原因

グループの学習パイプラインは、OneHotEncoding および Concatenation データ変換で構成され、二項分類に LightGBM アルゴリズムを使用しています。

学習済み ML.NET モデルがある場合は、グループではそれらのモデルを HTTP トリガーを備えた Azure Function として展開します。これらの関数は、ICONICS から Dynamics 365 コネクタに呼び出され、エラーに作業指示が必要かどうかを判断します。