GPTの可能性

最近の ChatGPT (Chat Generative Pre-Trained Transformer) の出現により、従来人間が行っていたタスクを完了する能力をテストするための数多くの実験が行われました。 アイントホーフェン工科大学と中国浙江大学冷凍極低温研究所の研究者らが行った最近の研究では、ChatGPTの最先端バージョンであるGPT-4について、建物のエネルギー管理のためのデータマイニングの自動化における可能性が検討された。

この研究により、GPT-4 は人間の能力によく似た方法でエネルギー負荷予測コードを生成し、システム障害を診断し、異常を検出できることが明らかになりました。 この進歩により、建物のエネルギー管理の分野で重要な機会が開かれます。

テスト中、GPT-4 は、実際のオフィスビルからの運用データを使用して、冷却負荷予測タスクのための正確なコード生成を実証しました。 タスク要件とデータセットに基づいて Python コードを生成する際に、有望なパフォーマンスを示しました。 ただし、タスクが複雑なため、コードの修正が必要になることがよくありました。 GPT-4 は、オフィス ビルの冷却負荷の予測において高い精度を達成しましたが、複雑なタスクに比べて単純なタスクに対してはより単純なコードを生成しました。

HVAC システムの故障診断において、GPT-4 は、エア ハンドリング ユニット (AHU)、チラー、および可変冷媒流量 (VRF) コンポーネントの一般的な故障を高精度で特定することに成功しました。 結果の背後にある要因も説明できるかもしれません。 この研究では、プロンプトで障害データ、正常データ、症状、および障害ラベルを使用することで、GPT-4 の障害診断の精度と一貫性が向上することがわかりました。

異常検出において、GPT-4 は HVAC システムの異常な動作パターンを特定し、その原因を説明する能力を実証しました。 ただし、一部の異常のみを正確に特定でき、その他は未検出のままでした。 プロンプトに相関ルールを組み込むことにより、GPT-4 の異常検出と診断の精度が大幅に向上しました。

GPT-4 にはその優れた機能にもかかわらず、制限があります。 安定性が低いため、出力の信頼性と再現性に影響します。 建物のエネルギー管理の分野における人間の専門知識が不足しているため、負荷予測モデルの解釈可能性が信頼できなくなります。 また、故障と症状の間の因果関係を確立し、HVAC システムの異常変数の正常範囲を理解することも困難です。 さらに、GPT-4 の数学的能力は低く、時系列データの統計的特性の計算で間違いが発生します。

これらの限界を克服するために、研究者らは将来の研究のためにさまざまな研究テーマを提案しました。 これには、自動プロンプト入力方法の開発、ソフトウェア プラットフォームを使用するための GPT-4 のトレーニング、特に建物のエネルギー管理に特化したカスタマイズされたモデルの作成が含まれます。