Новый AI-пайплайн выявляет аномалии энергопотребления офисной техники и даёт рекомендации

Управление энергопотреблением в офисных зданиях сталкивается с проблемой шумных оповещений от систем мониторинга. Непрофессиональные менеджеры объектов часто не могут интерпретировать эти данные. Новая работа, опубликованная на arXiv, предлагает сквозной агентный пайплайн, который автоматизирует обнаружение аномалий и формирует понятные рекомендации.

Разработанная система отслеживает семь типов офисных приборов. Она использует гибридную модель на основе сингулярного спектрального анализа (SSA) и LSTM для прогнозирования энергопотребления, а также пер-приборный LSTM вариационный автоэнкодер с вниманием для выявления аномальных суточных эпизодов. Это позволяет отсеивать ложные срабатывания.

Ключевое новшество — трёхэтапный пайплайн на базе LangChain. Сначала контекстный агент извлекает из RAG три основные источники (надёжность модели, почасовой базовый уровень и экспертные знания) и при необходимости добавляет до трёх дополнительных (прогнозный контекст, история аномалий, глобальный базовый уровень) в зависимости от характеристик события. Общее количество шагов рассуждения не превышает восьми.

На втором этапе агент диагностики преобразует собранные свидетельства в структурированный JSON-диагноз. Третий этап — агент отчёта — формирует человекопонятное описание ситуации. Слой рефлексивной памяти учитывает обратную связь от оператора, что позволяет системе со временем улучшать свои рекомендации.

Эффективность оценивалась на бенчмарке из 16 сценариев, включая устойчивые и кратковременные скачки нагрузки, неожиданные отключения и системные события. Сравнивали пять типов LLM с статической и динамической выборкой источников. Динамическая выборка показала результаты, сравнимые с полной статической, при этом среднее количество используемых источников сократилось с шести до трёх–шести на событие.

Лучший LLM-бэкенд набрал 90,4 балла из 100, пройдя все сценарии с порогом 70 баллов. Полностью локальная 7B-параметрическая модель также успешно справилась со всеми 16 сценариями, что подтверждает возможность развёртывания без внешних API.

Дашборд системы отображает 30-минутные прогнозы в реальном времени, внутридневное потребление, отчёт об аномалиях за предыдущий день и форму обратной связи. По мнению авторов, такой подход может существенно упростить обслуживание офисной техники и снизить затраты на энергию.