Naukowcy z arXiv zaproponowali kompleksowy system AI do monitorowania zużycia energii w budynkach biurowych, który automatycznie generuje inteligentne rekomendacje konserwacyjne. System łączy trzy kluczowe komponenty: prognozowanie szeregów czasowych za pomocą hybrydowego modelu Singular Spectrum Analysis i LSTM, detekcję anomalii poprzez LSTM Variational Autoencoder z mechanizmem attention oraz reasoning oparty na modelach języka.
Pipeline działa w trzech etapach. Context Agent najpierw pobiera źródła kontekstowe z bazy RAG - niezawodność modelu, godzinowe baseline oraz wiedzę ekspercką. W zależności od charakterystyki zdarzenia dodaje do trzech dodatkowych źródeł takich jak kontekst prognozy czy historia anomalii, limitując cały proces do ośmiu kroków reasoning. Diagnosis Agent przetwarza zebrane dowody w ustrukturyzowaną diagnozę JSON, a Report Agent generuje raport w formie czytelnej dla człowieka. System pamięci refleksyjnej pozwala na inkorporowanie feedback od operatorów, co udoskonala rekomendacje w czasie.
Rozwiązanie bezpośrednio adresuje praktyczny problem - facility menadżerowie otrzymują nieskoordynowane alerty z systemów monitorowania energii, które trudno interpretować bez specjalistycznej wiedzy. Nowy system filtruje szum i dostarcza konkretne, spriorityzowane akcje konserwacyjne. Dashboard pokazuje prognozy czasu rzeczywistego na 30 minut, zużycie intraday, raporty anomalii z poprzedniego dnia oraz formularz feedback. Ewaluacja obejmuje 16 scenariuszy testowych zawierające skoki trwałe i przejściowe, nieoczekiwane wyłączenia oraz anomalie systemowe, co sugeruje praktyczne zastosowanie w rzeczywistych środowiskach biurowych.