Microsoft 的房地產與安全性群組使用 ML.NET，讓設施管理更聰明

Microsoft 的 Real Estate and Security (RE&S) 群組是任何全球公司中最複雜的設備基礎結構之一: 一個在 112 個國家/地區擁有 1,116 個員工建築物和資料中心的「全球城市」。RE&S 管理從食物準備、公車維護、傢俱訂購，到暖氣和冷卻系統等所有項目。保持這個城市順暢運作是一項大型工作，RE&S 依賴智慧建築物自動化來協助控制暖氣、通風和空調、照明及其他系統。

僅僅是 Microsoft 總部所在的普吉特海灣地區，就有 33,000 台以上的 HVAC 裝置分布於 100 棟以上的建築物中。每天，約有 4,900 萬個錯誤收集自啟用 IoT 的裝置，這些裝置會傳送裝置遙測給協力廠商建立管理系統 (BMS)，例如 ICONICS。從 BMS 傳輸到 Dynamics 365 Connected Field Service 的 IoT 錯誤會變成警示，且相關警示將轉換成工作訂單。工作訂單可為建築資產排定維修及修復。

商務問題

當 RE&S 集團初次實作從 ICONICS 到 Dynamics 365 的連接器時，每個智慧能源大樓平均每天會從 HVAC 裝置發生約 2,000 個錯誤。該集團受限於可以上線至 Dynamics 365 的大樓數量，為大約 ~2,000 x 100 = ~200K/天，這會使得資料庫負擔過重，而且對於使用者和技術人員來說使用不便。極需要找到正確的錯誤並減少雜訊，以協助減少錯誤的數量，並預測哪些錯誤可能會變成需處理的工作單。

因此，RE&S 集團決定實作機器學習模型 (Dynamics 365 外部)，其可挑選一組適當的錯誤，其轉換成工作單並移除雜訊的可能性更高。

為什麼要使用 ML.NET?

Microsoft 的 RE&S 群組因為幾個原因而決定使用 ML.NET。其中一個原因是團隊對 .NET 技術的熟悉度。

.NET 在 RE&S 群組中非常有名，而且我們的開發小組具有 .NET 技術的整體專業水準。使用 ML.NET 可讓我們克服其他資料科學架構、工具及 IDE 的技術知識缺口，讓我們能夠在實施機器學習解決方案時，快速得到解決。」

此外，該群組發現 ML.NET 容易使用，尤其是在 Visual Studio 中搭配 ML.NET Model Builder 使用 AutoML 來進行模型訓練時。此 RE&S 群組還認為 ML.NET 是進行機器學習的成本最佳化解決方案，而且很容易在本機和 Azure DevOps 管線中實作 ML.NET。

ML.NET 的影響

此 RES 群組的 ML.NET 解決方案已產生重大影響。由於其 ML.NET 模型的準確率約為 99%，在 Dynamics 365 中建立的 IoT 警示已經減少了大約 70-80%。這讓該群組能夠安全地將更多建築物上線，協助減少了噪音，並將焦點集中在真正需要採取行動的警示上。

下列儀表板顯示了兩種 ML 解決方案在 7 天內的差異 (例如，根據裝置類型和裝置資訊的兩個不同 ML.NET 模型):

解決方案架構

Microsoft RE&S 群組使用 Azure DevOps 管線進行 ML.NET 模型定型並部署為服務。

連線到 HVAC 設備的 IoT 裝置會將裝置遙測傳送到名為 ICONICS 的協力廠商建築物管理系統，這個系統會執行各種規則來決定是否發生 IoT 錯誤。然後，RE&S 群組會收集其訓練資料，並從 ICONICS 中的資料庫擷取所有錯誤。它們會收集兩種錯誤類型的裝置資料: 一般錯誤和智慧型 (或標準化) 錯誤，然後根據下列功能建立兩種機器學習模型:

• 裝置類型
• 標準化分數
• 智慧分數
• % 已標幟
• 已標幟的嚴重性
• 節能機會
• 基本設備類別
• 錯誤嚴重性
• 舒適風險
• 可能的原因

該群組的訓練管線包含 OneHotEncoding 和 Concatenation 資料轉換，而且他們使用二元分類的 LightGBM 演算法。

當他們有訓練有素的 ML.NET 模型時，群組會以 HTTP 觸發程式的形式，將其模型部署為 Azure 函數。ICONICS 會將這些函式呼叫到 Dynamics 365 連接器，以決定錯誤是否應該是工作順序。