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

Somente no Puget Sound, onde a sede da Microsoft está localizada, existem mais de 100 construções 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 sistemas de gerenciamento de construções (BMS) 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 as construções.

Problema de negócios

Quando o grupo RE&S implementou o conector da ICONICS para o Dynamics 365 pela primeira vez, todas as criações do Energy Smart registravam, em média, cerca de 2.000 falhas por dia nos dispositivos HVAC. O grupo estava limitado ao número de criações que poderia integrar ao Dynamics 365, já que ~2.000 x 100 = ~200 mil por dia, o que sobrecarregaria o banco de dados e se tornaria difícil de gerenciar pelos usuários finais e técnicos. Havia uma grande necessidade de identificar as falhas corretas e reduzir o ruído para ajudar a diminuir o número de falhas e prever quais delas provavelmente se transformariam em ordens de serviço.

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 permite que o grupo integre mais construções 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):