O potencial do GPT

O recente surgimento do ChatGPT (Chat Generative Pre-Trained Transformer) gerou vários experimentos para testar suas capacidades na conclusão de tarefas tradicionalmente executadas por humanos. Num estudo recente conduzido por investigadores da Universidade de Tecnologia de Eindhoven e do Instituto de Refrigeração e Criogenia da China na Universidade de Zhejiang, o GPT-4, a versão mais avançada do ChatGPT, foi explorado pelo seu potencial na automatização da mineração de dados para a gestão de energia de edifícios.

O estudo revelou que o GPT-4 pode gerar códigos de previsão de carga de energia, diagnosticar falhas no sistema e detectar anomalias de uma maneira que se assemelha muito à capacidade humana. Este avanço abre oportunidades críticas no domínio da gestão de energia de edifícios.

Durante os testes, o GPT-4 demonstrou a geração precisa de código para tarefas de previsão de carga de resfriamento usando dados operacionais de um edifício de escritórios real. Ele mostrou desempenho promissor na geração de códigos Python com base em requisitos de tarefas e conjuntos de dados. No entanto, a complexidade das tarefas muitas vezes exigia revisões de código. O GPT-4 alcançou alta precisão na previsão da carga de resfriamento de um edifício de escritórios, mas gerou códigos mais simples para tarefas simples em comparação com tarefas complexas.

Ao diagnosticar falhas em sistemas HVAC, o GPT-4 identificou com sucesso falhas comuns em unidades de tratamento de ar (AHUs), resfriadores e componentes de fluxo variável de refrigerante (VRF) com alta precisão. Também poderia explicar os fatores por trás dos resultados. O estudo descobriu que o uso de dados de falhas, dados normais, sintomas e rótulos de falhas em prompts melhorou a precisão e a consistência do GPT-4 no diagnóstico de falhas.

Na detecção de anomalias, o GPT-4 demonstrou a capacidade de identificar padrões de operação anormais em sistemas HVAC e explicar suas causas. No entanto, só conseguiu identificar algumas anomalias com precisão, enquanto outras permaneceram não detectadas. Ao incorporar regras de associação nos prompts, a precisão do GPT-4 na detecção e diagnóstico de anomalias melhorou significativamente.

Apesar das suas capacidades impressionantes, o GPT-4 tem limitações. Sua baixa estabilidade afeta a confiabilidade e a reprodutibilidade de seus resultados. Falta o conhecimento do domínio humano na área de gerenciamento de energia de edifícios, tornando a interpretabilidade dos modelos de previsão de carga pouco confiáveis. Também se esforça para estabelecer relações causais entre falhas e sintomas e compreender os intervalos normais de variáveis ​​de anomalia em sistemas HVAC. Além disso, as habilidades matemáticas do GPT-4 são fracas, levando a erros no cálculo das características estatísticas dos dados de séries temporais.

Para superar essas limitações, os pesquisadores propuseram vários temas de pesquisa para estudos futuros. Isso inclui o desenvolvimento de métodos automáticos de entrada imediata, o treinamento do GPT-4 para usar plataformas de software e a criação de um modelo personalizado especificamente para gerenciamento de energia predial.