의사결정 모델은 HVAC 결함을 어디까지 진단할 수 있는가? 추론 요구사항, 물리적 표현 및 변화에 따른 강건성

인공지능은 여러 형태로 건물 운영을 지원하지만, 각 방식마다 고유한 장벽이 존재합니다. 전문가 규칙(Expert rules)은 모든 시스템에 맞춰 조정되어야 하며, 지도 학습 모델(supervised models)은 건물이 거의 기록하지 않는 레이블링된 데이터가 필요하고, 언어 모델(language models)이 반환하는 자유 텍스트는 그 신뢰도가 불확실하기 때문에 인간의 개입을 통한 확인 과정(human-in-the-loop checking)이 요구됩니다. 여기서는 '의사결정 모델(decision model)'이라고 부르는 새로운 종류의 사전 학습된 모델(pretrained model)은 허용되는 모든 답변에 대한 확률값을 반환하므로, 하나의 모델로도 추가 훈련 없이 여러 결정을 수행할 수 있습니다. 본 연구는 난방, 환기 및 공조 시스템(heating, ventilation, and air-conditioning systems, HVAC)의 결함 진단과 관련하여 세 가지 미해결 질문에 답합니다: 이러한 모델이 어떤 결정을 내릴 수 있는지, 어떤 입력값이 필요한지, 그리고 조건이 변할 때 그 확률값들이 유지되는지 여부입니다. 네 개의 실제 장비 공공 데이터셋에서 얻은 128개의 결함 발생일에 걸쳐, 결함들은 진단에 요구되는 추론 수준에 따라 등급화되었으며, 데이터는 물리적 특징(physical features)으로 원시 상태로 주어지거나 Brick 토폴로지(Brick topology)를 갖춘 형태로 제공되었습니다. 의사결정 모델 Jev와 대규모 오픈 언어 모델(open language models), 그리고 지도 학습 모델은 계절 변화, 제어 구성 변경 또는 건물 자체가 달라지는 아홉 가지 테스트에 직면했습니다. 물리적 특징을 기반으로 했을 때, Jev와 더 큰 규모의 오픈 모델은 하나의 특징이 증거를 담고 있는 결함은 진단했지만, 운영 컨텍스트(operating context)가 필요한 결함은 진단하지 못했습니다. 변화 상황(Under shift)에서는 정확도와 보정값(calibration)을 유지한 반면, 지도 학습 모델은 0.33의 macro-F1 점수를 잃었으나 건물 내부에서는 선두를 차지하거나 동률을 기록했습니다. 이들의 확률값은 여전히 수정이 필요했으며, 탐지 성능은 미흡했습니다. 본 연구는 의사결정 모델이 어떤 결함을 진단할 수 있는지, 그리고 어떤 입력으로부터 가능한지를 매핑하고, 코드가 물리(physics)를 계산하고 모델이 운영자에게 후보 결함의 순위를 매기는 방식으로 업무 분담을 지원합니다.