Microsoft의 부동산 및 보안 그룹은 ML.NET을 사용하여 시설 관리를 더 스마트하게 만듭니다.

Microsoft의 RE&S(부동산 및 보안) 그룹은 112개 국가/지역에 1,116명의 직원 건물과 데이터 센터가 있는 "글로벌 도시"인 모든 글로벌 기업에서 가장 복잡한 시설 인프라 중 하나를 운영합니다. RE&S는 음식 준비에서 버스 유지 관리, 가구 주문, 난방 및 냉방 시스템에 이르기까지 모든 것을 관리합니다. 이 도시를 원활하게 운영하는 것은 큰 일이며 RE&S는 스마트 빌딩 자동화에 의존하여 난방, 환기 및 에어컨, 조명 및 기타 시스템을 제어합니다.

Microsoft 본사가 있는 Puget Sound에만 33,000개 이상의 HVAC 장비가 있는 100개 이상의 건물이 있습니다. ICONICS와 같은 타사 건물 관리 시스템(BMS)에 장치 원격 측정을 보내는 IoT 지원 장치에서 매일 ~4,900만 개의 결함이 수집됩니다. BMS에서 Dynamics 365 Connected Field Service로 전송된 IoT 오류는 경고가 되고 관련 경고는 작업 주문으로 변환됩니다. 작업 주문을 통해 건물 자산에 대한 유지 관리 및 수리 일정을 잡을 수 있습니다.

비즈니스 문제

RE&S 그룹이 ICONICS에서 Dynamics 365로의 커넥터를 처음 구현했을 때 각 Energy Smart 건물은 HVAC 장치에서 하루 평균 약 2,000개의 오류를 발생시켰습니다. 이 그룹은 ~2,000 x 100 = ~200K/일과 같이 Dynamics 365에 온보딩할 수 있는 건물의 수로 인해 제한을 받았습니다. 이는 데이터베이스를 압도하고 최종 사용자와 기술자가 다루기 힘들 것입니다. 올바른 결함을 선택하고 소음을 줄여 결함 수를 줄이고 어떤 결함이 작업 주문이 될 것인지 예측할 수 있는 큰 필요성이 있었습니다.

그래서 RE&S 그룹은 기계 학습 모델(Dynamics 365 외부)을 구현하기로 결정했습니다. 이 모델은 작업 주문으로 변환하고 노이즈를 제거할 가능성이 훨씬 더 높은 올바른 결함 집합을 선택할 수 있습니다.

왜 ML.NET를 사용해야 하나요?

Microsoft의 RE&S 그룹은 여러 가지 이유로 ML.NET을 사용하기로 결정했습니다. 한 가지 이유는 팀 간에 .NET 기술이 친숙했기 때문입니다.

.NET은 RE&S 그룹에서 널리 알려져 있으며 우리는 개발 팀 중 .NET 기술에 대해 전반적으로 높은 수준의 전문 지식을 보유하고 있습니다. ML.NET을 사용하면 다른 데이터 과학 프레임워크, 도구, 및 IDE를 통해 기계 학습 솔루션을 구현할 때 신속하게 처리할 수 있습니다."

또한 그룹은 특히 모델 교육을 위해 Visual Studio에서 ML.NET Model Builder와 함께 AutoML을 사용할 때 ML.NET을 사용하기 쉽다는 것을 알게 되었습니다. RE&S 그룹은 또한 ML.NET이 기계 학습을 위해 비용 최적화된 솔루션이며 로컬 및 Azure DevOps 파이프라인 모두에서 ML.NET을 쉽게 구현할 수 있다고 느꼈습니다.

ML.NET의 영향

RE&S 그룹의 ML.NET 솔루션은 상당한 영향을 미쳤습니다. 정확도가 ~99%인 ML.NET 모델을 사용하여 Dynamics 365에서 생성된 IoT 경고의 약 70-80%가 이미 감소했습니다. 이를 통해 그룹은 더 많은 건물을 안전하게 온보딩할 수 있었고 소음을 줄이는 데 도움이 되었으며 실제로 조치를 취해야 하는 경고에 초점을 맞췄습니다.

다음 대시보드는 7일 동안 두 ML 솔루션 간의 차이점을 보여 줍니다(예: 디바이스 유형 및 디바이스 정보에 따라 서로 다른 두 ML.NET 모델).

솔루션 아키텍처

Microsoft의 RE&S 그룹은 ML.NET 모델 교육 및 서비스로서의 배포를 위해 Azure DevOps 파이프라인을 사용합니다.

HVAC 장비에 연결된 IoT 장치는 ICONICS라는 IoT 오류가 있는지 확인하기 위해 다양한 규칙을 실행하는 타사 건물 관리 시스템에 장치 원격 분석을 전송합니다. 그런 다음 RE&S 그룹은 학습 데이터를 수집하여 ICONICS의 데이터베이스에서 모든 오류를 추출합니다. 일반 오류와 스마트(또는 정규화된) 오류의 두 가지 유형의 오류에 대한 장치 데이터를 수집한 다음, 다음 기능을 기반으로 두 개의 기계 학습 모델을 만드는 데 사용됩니다.

• 장치 유형
• 정규화 점수
• Smart 점수
• 신고된 비율
• 플래그가 지정된 심각도
• 에너지 절약 기회
• 기본 장비 등급
• 오류 심각도
• 편안한 위험
• 가능한 원인들

그룹의 교육 파이프라인은 OneHotEncoding 및 Concatenation 데이터 변환으로 구성되며 이진 분류에 LightGBM 알고리즘을 사용합니다.

학습된 ML.NET 모델이 있는 경우 그룹은 HTTP 트리거를 사용하여 모델을 Azure Functions로 배포합니다. 이러한 Functions는 오류가 작업 순서여야 하는지 여부를 결정하는 Dynamics 365 커넥터에 대해 아이콘에 의해 호출됩니다.