家電レベルのエネルギー異常検知とLLM駆動の推奨のためのエージェンティックAIパイプライン
本論文では、オフィスビルにおける家電レベルのエネルギー監視のために、深層時系列予測、変分異常検知、LLM推論を組み合わせたエンドツーエンドのエージェンティックパイプラインを提案する。システムはハイブリッドSSA-LSTM予測モデルと家電別LSTM VAEアテンションを用いて異常を検出し、3段階のLangChainパイプライン（コンテキスト、診断、レポートエージェント）で診断を生成する。16シナリオのベンチマーク評価では、最高バックエンドが90.4/100を獲得し、ローカル7Bモデルが全シナリオに合格した。
オフィスビルにおける家電レベルのエネルギー監視は、ノイズの多いアラートを生成し、専門知識のない施設管理者が活用するのが難しいという課題がある。この問題に対処するため、研究者らは深層時系列予測、変分異常検知、大規模言語モデル（LLM）による推論を組み合わせたエンドツーエンドのエージェンティックパイプラインを提案する。このシステムは、優先順位付けされた実行可能なメンテナンス推奨を生成することを目的としている。
システムは7種類のオフィス家電を追跡し、特異スペクトル分析（SSA）と長短期記憶（LSTM）ネットワークのハイブリッド予測モデルを使用する。異常検知には、アテンション機構を備えた家電別のLSTM変分オートエンコーダ（VAE）を適用し、異常な日次消費エピソードをフラグ付けする。推論プロセスはLangChainフレームワークに基づく3段階のパイプラインで構成される。まず、コンテキストエージェントが常に3つのコアRAGソース（モデル信頼性、時間別ベースライン、専門知識）を取得し、イベント特性に応じて最大3つの追加ソース（予測コンテキスト、異常履歴、グローバルベースライン）を条件付きで追加する。推論ステップは最大8に制限される。次に、診断エージェントが証拠を構造化されたJSON診断に変換し、最後にレポートエージェントが人間が読める形式の説明を生成する。また、オペレータからのフィードバックを統合するための反射的メモリ層も含まれている。
ダッシュボードは、リアルタイムの30分予測、日内消費、前日の異常レポート、フィードバックフォームを表示する。研究チームは、持続的スパイク、一時的スパイク、予期しないシャットダウン、システムイベントを含む16シナリオのベンチマークで、予測モデル、異常検知器、LLM推論を評価した。5つのLLMバックエンドを静的検索と動的検索の両方で比較した結果、動的検索はすべてのバックエンドで完全な静的検索と同等の性能を発揮しながら、イベントあたりの平均コンテキストソース数を6から3～6に削減した。最高性能のバックエンドは90.4/100のスコアを記録し、70ポイントの閾値で100%の合格率を達成。さらに、完全にローカルな70億パラメータモデルが16シナリオすべてに合格した。本論文はIEEE CCNCPS 2026会議で発表予定である。