El potencial de GPT

La reciente aparición de ChatGPT (Chat Generative Pre-Trained Transformer) ha provocado numerosos experimentos para probar sus capacidades para completar tareas tradicionalmente realizadas por humanos. En un estudio reciente realizado por investigadores de la Universidad Tecnológica de Eindhoven y el Instituto de Refrigeración y Criogenia de China en la Universidad de Zhejiang, se exploró GPT-4, la versión más avanzada de ChatGPT, por su potencial en la automatización de la extracción de datos para la gestión energética de edificios.

El estudio reveló que GPT-4 puede generar códigos de predicción de carga de energía, diagnosticar fallas del sistema y detectar anomalías de una manera que se asemeja mucho a la capacidad humana. Este avance abre oportunidades críticas en el ámbito de la gestión energética de los edificios.

Durante las pruebas, GPT-4 demostró una generación precisa de código para tareas de predicción de carga de refrigeración utilizando datos operativos de un edificio de oficinas real. Mostró un rendimiento prometedor en la generación de códigos Python basados ​​en los requisitos de las tareas y los conjuntos de datos. Sin embargo, la complejidad de las tareas a menudo requería revisiones de código. GPT-4 logró una alta precisión en la predicción de la carga de refrigeración de un edificio de oficinas, pero generó códigos más simples para tareas sencillas en comparación con las complejas.

Al diagnosticar fallas en sistemas HVAC, GPT-4 identificó exitosamente fallas comunes en unidades de tratamiento de aire (AHU), enfriadores y componentes de flujo de refrigerante variable (VRF) con alta precisión. También podría explicar los factores detrás de los resultados. El estudio encontró que el uso de datos de fallas, datos normales, síntomas y etiquetas de fallas en las indicaciones mejoró la precisión y consistencia de GPT-4 en el diagnóstico de fallas.

En la detección de anomalías, GPT-4 demostró la capacidad de identificar patrones de funcionamiento anormales en sistemas HVAC y explicar sus causas. Sin embargo, sólo pudo identificar con precisión algunas anomalías, mientras que otras no fueron detectadas. Al incorporar reglas de asociación en las indicaciones, la precisión de GPT-4 en la detección y el diagnóstico de anomalías mejoró significativamente.

A pesar de sus impresionantes capacidades, GPT-4 tiene limitaciones. Su baja estabilidad afecta la confiabilidad y reproducibilidad de sus resultados. Carece del conocimiento de los humanos en el campo de la gestión energética de edificios, lo que hace que la interpretabilidad de los modelos de predicción de carga no sea confiable. También le cuesta establecer relaciones causales entre fallas y síntomas y comprender los rangos normales de variables anómalas en los sistemas HVAC. Además, las capacidades matemáticas de GPT-4 son deficientes, lo que genera errores al calcular las características estadísticas de los datos de series temporales.

Para superar estas limitaciones, los investigadores propusieron varios temas de investigación para estudios futuros. Estos incluyen el desarrollo de métodos de entrada de mensajes automáticos, la capacitación de GPT-4 para utilizar plataformas de software y la creación de un modelo personalizado específicamente para la gestión de energía de edificios.