Il potenziale di GPT

La recente comparsa di ChatGPT (Chat Generative Pre-Trained Transformer) ha dato il via a numerosi esperimenti per testare le sue capacità nel completare compiti tradizionalmente eseguiti dagli esseri umani. In un recente studio condotto da ricercatori dell'Università di Tecnologia di Eindhoven e dell'Istituto cinese di refrigerazione e criogenia dell'Università di Zhejiang, GPT-4, la versione più avanzata di ChatGPT, è stata esplorata per il suo potenziale nell'automazione del data mining per la gestione energetica degli edifici.

Lo studio ha rivelato che GPT-4 può generare codici di previsione del carico energetico, diagnosticare guasti di sistema e rilevare anomalie in un modo che somiglia molto alle capacità umane. Questo progresso apre opportunità cruciali nel campo della gestione energetica degli edifici.

Durante i test, GPT-4 ha dimostrato un'accurata generazione di codice per attività di previsione del carico di raffreddamento utilizzando dati operativi provenienti da un vero edificio per uffici. Ha mostrato prestazioni promettenti nella generazione di codici Python in base ai requisiti delle attività e ai set di dati. Tuttavia, la complessità delle attività spesso richiedeva revisioni del codice. GPT-4 ha raggiunto un'elevata precisione nel prevedere il carico di raffreddamento di un edificio per uffici, ma ha generato codici più semplici per compiti semplici rispetto a quelli complessi.

Nella diagnosi dei guasti nei sistemi HVAC, GPT-4 ha identificato con successo i guasti comuni nelle unità di trattamento dell'aria (AHU), nei refrigeratori e nei componenti a flusso di refrigerante variabile (VRF) con elevata precisione. Potrebbe anche spiegare i fattori alla base dei risultati. Lo studio ha rilevato che l'utilizzo di dati di errore, dati normali, sintomi ed etichette di errore nei prompt ha migliorato la precisione e la coerenza di GPT-4 nella diagnosi degli errori.

Nel rilevamento delle anomalie, GPT-4 ha dimostrato la capacità di identificare modelli di funzionamento anomali nei sistemi HVAC e di spiegarne le cause. Tuttavia, è riuscito a identificare con precisione solo alcune anomalie, mentre altre non sono state rilevate. Incorporando le regole di associazione nei prompt, la precisione di GPT-4 nel rilevamento e nella diagnosi delle anomalie è migliorata in modo significativo.

Nonostante le sue impressionanti capacità, GPT-4 presenta dei limiti. La sua bassa stabilità influisce sull'affidabilità e sulla riproducibilità dei suoi risultati. Manca la conoscenza del dominio umano nel campo della gestione energetica degli edifici, rendendo inaffidabile l’interpretabilità dei modelli di previsione del carico. Inoltre, è difficile stabilire relazioni causali tra guasti e sintomi e comprendere gli intervalli normali delle variabili anomale nei sistemi HVAC. Inoltre, le capacità matematiche di GPT-4 sono scarse, il che porta a errori nel calcolo delle caratteristiche statistiche dei dati delle serie temporali.

Per superare queste limitazioni, i ricercatori hanno proposto vari argomenti di ricerca per studi futuri. Questi includono lo sviluppo di metodi di input automatico, la formazione di GPT-4 sull’utilizzo di piattaforme software e la creazione di un modello personalizzato specifico per la gestione energetica degli edifici.