O grupo de segurança e de imóveis da Microsoft usa o ML.NET para deixar o gerenciamento das instalações mais inteligente

O grupo RE&S (Real Estate and Security) da Microsoft opera uma das infraestruturas de instalações mais complexas de qualquer empresa global: uma "cidade global" com 1.116 edifícios de funcionários e data centers em 112 países/regiões. A RE&S gerencia tudo, desde preparação de alimentos, manutenção de negócios, pedidos de móveis, sistemas de aquecimento e de resfriamento. Manter esta cidade funcionando sem problemas é uma grande tarefa, e a RE&S depende da automação de compilação inteligente para ajudar a controlar o aquecimento, ventilação e ar condicionado, iluminação e outros sistemas.

Somente no Puget Sound, onde a sede da Microsoft está localizada, existem mais de 100 edifícios com mais de 33.000 equipamentos de ar-condicionado e aquecimento. Todos os dias, cerca de 49 milhões de defeitos são coletados de dispositivos habilitados para IoT que enviam telemetria de dispositivos para BMS (sistemas de gerenciamento de edifícios) de terceiros, como a ICONICS. Os defeitos de IoT transferidos do BMS para o Serviço de Campo Conectado do Dynamics 365 se transformam em alertas e os alertas relevantes são convertidos em ordens de serviço. As ordens de serviço permitem que a manutenção e o conserto sejam agendados para os edifícios.

Problema de negócios

Quando o grupo RE&S implementou pela primeira vez o conector do ICONICS para o Dynamics 365, cada prédio do Energy Smart estava com uma média de cerca de 2.000 falhas por dia de dispositivos HVAC. O grupo foi limitado por quantos edifícios eles poderiam integrar ao Dynamics 365, como cerca de 2.000 x 100 = ~200 mil/dia, o que sobrecarregaria o banco de dados e seria complicado para usuários finais e técnicos. Havia uma grande necessidade de escolher as falhas certas e reduzir o ruído para ajudar a reduzir o número de falhas e prever quais falhas provavelmente se tornariam ordens de trabalho.

Portanto, o grupo RE&S decidiu implementar um modelo de machine learning (externo ao Dynamics 365), que poderia escolher o conjunto certo de falhas com uma probabilidade muito maior de converter em pedidos de trabalho e remover o ruído.

Por que ML.NET?

O grupo RE&S da Microsoft decidiu usar ML.NET por vários motivos. Um motivo foi a familiaridade da tecnologia .NET entre a equipe.

O .NET é amplamente conhecido no grupo RE&S e, em geral, temos um grande nível de experiência com a tecnologia .NET entre a equipe de desenvolvimento. O uso do ML.NET nos permite superar a lacuna de conhecimento técnico de outras estruturas, ferramentas e IDEs de ciência de dados, permitindo um retorno rápido ao implementar soluções de aprendizado de máquina."

Além disso, o grupo achou que o ML.NET era fácil de usar, especialmente quando usaram o AutoML com o Model Builder do ML.NET no Visual Studio para treinamento de modelos. O grupo RE&S também concluiu que o ML.NET era uma solução de aprendizado de máquina economicamente otimizada e conseguiu implementar o ML.NET com facilidade, tanto localmente quanto em um pipeline do Azure DevOps.

Impacto do ML.NET

A solução de ML.NET do grupo RE&S teve um impacto significativo. Com seus modelos ML.NET, que têm aproximadamente 99% de precisão, eles já viram uma redução de cerca de 70 a 80% dos alertas de IoT criados no Dynamics 365. Isso permitiu que o grupo integre mais edifícios com segurança, ajudou a reduzir o ruído e colocou o foco em alertas que realmente precisam de ações.

O seguinte painel mostra a diferença entre duas soluções de ML por 7 dias (por exemplo, dois modelos diferentes do ML.NET com base no tipo de dispositivo e nas informações do dispositivo):

Arquitetura da solução

O grupo RE&S da Microsoft usa um pipeline Azure DevOps para ML.NET treinamento de modelo e implantação como serviço.

Os dispositivos IoT conectados ao equipamento HVAC enviam telemetria de dispositivo para um sistema de gerenciamento de compilação de terceiros chamado ICONICS, que executa várias regras para determinar se há uma falha de IoT. Em seguida, o grupo RES&S coleta seus dados de treinamento e extrai todas as falhas do banco de dados em ICONICS. Eles coletam dados do dispositivo para dois tipos de falhas: falhas regulares e falhas inteligentes (ou normalizadas), que então são usadas para criar dois modelos de machine learning com base nas seguintes funcionalidades:

• Tipo de Dispositivo
• Pontuação Normalizada
• Smart Score
• % sinalizados
• Gravidade da sinalização
• Oportunidade de economia de energia
• Classe de Equipamento Básicos
• Severidade da Falha
• Risco de conforto
• Causas Possíveis

O pipeline de treinamento do grupo consiste nas transformações de dados OneHotEncoding e Concatenação e usam o algoritmo LightGBM para classificação binária.

Quando eles têm um modelo ML.NET treinado, o grupo implanta o modelo como uma Azure Function com um gatilho HTTP. Essas Functions são chamadas de ICONICS para um conector do Dynamics 365 que decide se a falha deve ser uma ordem de trabalho ou não.