Группа Microsoft Real Estate and Security использует ML.NET, чтобы сделать управление объектами более разумным
Клиент
Microsoft Real Estate & Security
Продукты и службы
ML.NET
Azure
Dynamics 365
Промышленность
Технологии
Размер организации
Большой (1000+ сотрудников)
Страна/регион
США
Группа Real Estate and Security (RE&S) в Microsoft управляет одной из самых сложных инфраструктур любой глобальной компании: «глобальным городом» с 1116 зданиями для сотрудников и центрами обработки данных в 112 странах/регионах. RE&S управляет всем: от приготовления пищи до обслуживания автобусов, заказа мебели, систем отопления и охлаждения. Поддержание бесперебойной работы этого города — большая задача, и RE&S полагается на интеллектуальную автоматизацию зданий, которая помогает управлять отоплением, вентиляцией и кондиционированием воздуха, освещением и другими системами.
Только в Пьюджет-Саунд, где находится штаб-квартира корпорации Майкрософт, более 100 зданий с более чем 33 000 единиц оборудования отопления, вентиляции и кондиционирования. Каждый день регистрируется около 49 миллионов сбоев с устройств с поддержкой IoT, которые отправляют данные телеметрии устройств в сторонние системы управления зданием (BMS), такие как ICONICS. Ошибки IoT, переданные из BMS в Dynamics 365 Connected Field Service, становятся оповещениями, а соответствующие оповещения преобразуются в рабочие задания. Заказы на работу позволяют планировать техническое обслуживание и ремонт строительных активов.
Бизнес-проблема
Когда группа RE&S впервые реализовала коннектор ICONICS к Dynamics 365, в каждом здании Energy Smart в среднем происходило около 2000 сбоев в день из-за устройств HVAC. Группа была ограничена тем, сколько зданий они могли подключить к Dynamics 365: ~2000 x 100 = ~200 тыс./день, что перегружало бы базу данных и было бы громоздким для конечных пользователей и технических специалистов. Была большая потребность выбрать правильные ошибки и уменьшить шум, чтобы помочь уменьшить количество ошибок и предсказать, какие ошибки, скорее всего, станут рабочими заданиями.
Отдел RE&S решил внедрить модель машинного обучения (вне Dynamics 365), способную подбирать корректный набор сбоев с гораздо большей вероятностью их преобразования в заказы на работу и удаления шума.
Почему ML.NET?
Группа Microsoft RE&S решила использовать ML.NET по нескольким причинам. Одной из причин было знакомство команды с технологией .NET.
.NET широко известна в группе RE&S, и мы обладаем большим опытом работы с технологией .NET среди команды разработчиков. Использование ML.NET позволяет нам преодолеть пробел в технических знаниях других платформ, инструментов и интегрированных сред разработки, что позволяет быстро внедрять решения для машинного обучения".
Кроме того, группа обнаружила, что ML.NET прост в использовании, особенно при использовании AutoML с ML.NET Model Builder в Visual Studio для обучения моделей. Группа RE&S также считает, что ML.NET — это экономичное решение для машинного обучения, и они могут легко внедрить ML.NET как локально, так и в конвейере Azure DevOps.
Влияние ML.NET
Решение ML.NET группы RE&S оказало значительное влияние. С их моделями ML.NET, которые имеют точность ~ 99%, они уже добились сокращения примерно на 70-80% предупреждений IoT, созданных в Dynamics 365. Это позволило группе безопасно обслуживать больше зданий, помогло снизить уровень шума и сосредоточить внимание на предупреждениях, которые действительно требуют принятия мер.
На следующей панели мониторинга показана разница между двумя решениями ML за 7 дней (например, две разные модели ML.NET в зависимости от типа устройств и сведений об устройствах):
Архитектура решения
Группа Microsoft RE&S использует конвейер Azure DevOps для обучения модели ML.NET и ее развертывания как услуги.
Устройства IoT, подключенные к оборудованию HVAC, отправляют данные телеметрии устройства сторонней системе управления построением под названием ICONICS, которая выполняет различные правила, чтобы определить наличие неисправности IoT. Затем группа RE&S собирает свои данные обучения и извлекает все неисправности из базы данных в ICONICS. Она собирает данные об устройствах для двух типов неисправностей: обычные сбои и интеллектуальные (или упорядоченные) сбои, которые затем используются для создания двух моделей машинного обучения на основе следующих функций:
- Тип устройства
- Нормализованная оценка
- Умная оценка
- % помечено
- Помеченная серьезность
- Возможность экономии энергии
- Базовый класс оборудования
- Серьезность ошибки
- Риск комфорта
- Возможные причины
Конвейер обучения группы состоит из OneHotEncoding и Объединения преобразования данных, и они используют алгоритм LightGBM для бинарной классификации.
Когда у них есть обученная модель ML.NET, группа развертывает свою модель как функцию Azure с триггером HTTP. Эти функции вызываются ICONICS для соединителя Dynamics 365, который решает, должна ли ошибка быть рабочим заданием или нет.
Готовы приступить?
Наше пошаговое руководство поможет вам запустить ML.NET на вашем компьютере.