“PROCESSO E SISTEMA DE GESTÃO INTELIGENTE DE AMBIENTES” CAMPO TÉCNICO
[001] A presente invenção diz respeito a um processo e a um sistema de gestão inteligente de ambientes com base em tecnologia internet das coisas (IoT). Mais particularmente, a presente invenção diz respeito a um processo e a um sistema de gestão inteligente de ambientes a partir de sensoriamento IoT e aplicação de modelos de inteligência artificial com computação em nuvem. ANTECEDENTES
[002] Primeiramente, é necessário retomar ao começo de sistemas de controle predial no Brasil e, posteriormente, ao começo de sistemas de controle residenciais para entender questões de IoT/computação em nuvem. O controle automatizado para prédios seguiu o desenvolvimento dos controles industriais e teve o seu ponta pé no Brasil na década de 80. Já o controle automatizado de residências seguiu o desenvolvimento do controle predial e teve o seu ponta pé no Brasil na década de 90.
[003] Lá pelos primórdios, o controle automatizado predial focou no controle de equipamentos tais como ar condicionado e sistemas de iluminação a partir de controladores locais que eram programados em linguagens de baixo nível, próximas ao“ASSEMBLER”, e atuadores elétricos do tipo contatores e biestáveis. A evolução no desenvolvimento das redes de dados locais trouxe a integração de interfaces homem-máquina (ou IHM’s) ao processo de controle, permitindo visualização e controle centralizados de diferentes equipamentos. Esta evolução possibilitou a criação das primeiras versões do que conhecemos hoje como“Building Management System” (BMS), ou“Building Automation System” (BAS), ambos, sistemas de controle, visualização e programação de rotinas prediais automatizadas, que possibilitam o gerenciamento de sistemas de ar condicionado, iluminação, controle de acesso, CFTV, sistema de som, controle do abastecimento de água, etc. Até o final da década de 90, todos os controles e a supervisão prediais eram majoritariamente realizados localmente
por tais sistemas. Empresas mundialmente conhecidas como Johnson Controls e Honeywell desenvolveram BMS’s para gerenciamento completo de prédios, e são importantes“players” nesse mercado de automação até os dias atuais.
[004] Apesar de já haver centros de controle antes dos anos 2.000, a evolução da conexão à internet e das redes‘WAN’ possibilitou a disseminação destes centros, os quais eram responsáveis pelo controle e pela visualização de vários prédios. Uma derivação dessa evolução foram as licenças de software para acesso de supervisórios locais via web (as assim-chamadas de web access licenses ), as quais permitiam o acesso total ou parcial do conteúdo das IHM’s locais por meio de computadores externos conectados à internet. Este formato evoluiu para o acesso remoto às IHM’s locais via celular (os assim-chamados de mobile access ), o qual é bastante difundido até os dias correntes.
[005] Ambos os formatos supra trouxeram a necessidade de proteção das redes locais de automação predial a partir de“firewalls”, em virtude da vulnerabilidade da segurança da informação gerada a partir da conexão de uma rede local de automação predial à internet. Este assunto é até os dias de hoje o ponto de discussão entre diversas equipes de Tecnologia da Informação (TI) e de Tecnologia da Automação (TA) a respeito de quem é a responsabilidade de parametrização/manutenção do“firewall” entre as redes de TA e de TI.
[006] Ocorre que os ataques de hackers, vírus, malwares, etc. sempre tiveram o seu foco em sistemas corporativos, passando a TA ao largo de ditas ameaças até o surgimento de malwares específicos para aqueles equipamentos industriais, como é o caso do“STUXNET”, descoberto em 2010, o qual atacou equipamentos do tipo PLC’s do fabricante SIEMENS em uma pluralidade de localidades ao redor do mundo, causando falhas graves em sistemas industriais considerados importantes, especialmente em usinas hidroelétricas e em usinas termoelétricas.
[007] Na década atual, a discussão referente ao tema de segurança da informação acentuou-se e o surgimento da Computação em Nuvem ou“Cloud
Computing” trouxe uma visão distinta para desenvolvimento de sistemas para ‘fora’ do“firewall” e, conjuntamente ao“Cloud Computing”, desenvolvimento de redes de telecomunicações capazes de conectar (quase) tudo no mundo com bandas de comunicação personalizadas aos tipos de sensoriamento, e, ainda, a confiabilidade exigida e o investimento disponível permitiram o surgimento da IoT, que viabiliza a conexão direta do sensoriamento local à nuvem. Aquelas questões de segurança da informação tomam, então, uma nova moldura com o conceito de“Cloud Computing” , trazendo novos paradigmas quanto a proteção de uma massa gigantesca de dados nas“mãos” de poucas empresas.
[008] Nesse cenário, ganham força aquelas plataformas de serviços em nuvem, que começaram a ser criadas no começo desta década, como AWS, GCP, Bluemix e Azure, as quais disponibilizam serviços pré-programados para implementação de outros serviços específicos em nuvem e sub-nuvens. Nesse contexto, começam, em seguida, a surgir sistemas que tratam a informação de determinado processo (a saber, industrial, de transporte, comercial, financeiro, de saúde, de infraestrutura, educacional, etc.) com coleta de dados diretamente de sensoriamento local e processamento em nuvem.
[009] Agora, faz-se uma pequena pausa acerca do desenvolvimento de sistemas automatizados de controle predial sobre os quais foi apresentada a sua evolução desde a época dos controles locais“atrás” do“firewall” até os sistemas mais avançados dos dias de hoje baseados em IoT e Computação em Nuvem, para o aprofundamento do conhecimento sobre o desenvolvimento de sistemas de Inteligência Artificial (IA).
[0010] O termo IA surgiu na década de 50 nos E.U.A. com o intuito de demonstrar que se determinados processos pudessem ser tão bem descritos e detalhados, os mesmos poderiam ser executados por máquinas, e não mais por humanos. Aquele termo também foi escolhido pelo desejo de sua neutralidade acerca de um outro tema em voga na época, o das“thinking machines”, o qual envolvia conceitos de cibernética e processamento complexo de informações,
sobre os quais a IA não tratava naquela época. Hoje, a IA é definida como um campo da ciência da computação, o qual foi dividido em três partes: IA Forte, aquela que visa imitar exatamente o comportamento humano em determinado processo; IA Fraca, aquela que realiza um trabalho em determinado processo sem considerar como seria o comportamento humano quando da realização do mesmo trabalho; e IA usando o comportamento humano como um modelo de referência para a execução de trabalho em um determinado processo, mas sem que a imitação do comportamento humano seja o objetivo final.
[0011] O foco será aqui na terceira parte, a qual parece ser a tendência de implementação na indústria e, como consequência, no mercado predial.
[0012] Com o desenvolvimento do processamento computacional e a imensa capacidade de concentração de dados (o“Big Data”), IA passou a ter terreno fértil para a implementação de novos modelos, o que têm se acentuado nos últimos anos e presentes com o avanço de sistemas de reconhecimento de voz, reconhecimento de padrões do comportamento humano, reconhecimento de variações do mercado financeiro, de diagnósticos e prognósticos, em geral, (jurídicos, médicos, etc.), e“machine and deep learning”, uma sub-área da IA.
[0013] Além das questões de IoT /“Cloud Computing” e de IA e dada a subjetividade do termo“conforto”, as questões psicológicas que influenciam a sensação de conforto dos indivíduos também devem ser levadas em conta. O Frederick Herzberg (1923-2000) desenvolveu a teoria da motivação-higiene, a qual revela a influência sobre o desempenho de funcionários em determinada empresa a partir de fatores motivacionais e outros fatores, os quais Herzberg classificou como sendo fatores de higiene. O termo“higiene” foi extraído da área médica e refere-se em especial à prevenção. Os fatores motivacionais não serão termos de detalhamento aqui e referem- se basicamente ao sentimento de realização do indivíduo. Já os fatores de higiene, que mais interessam por ora, referem- se ao ambiente de trabalho dos indivíduos. De acordo com o estudo de Herzberg, se determinado fator de higiene do ambiente atinge ou supera os
requisitos dos indivíduos ocupantes daquele determinado ambiente, este fator não gera sensível satisfação adicional aos indivíduos deste ambiente, ou seja, o referido fator“apenas cumpriu a sua missão”. Já se este fator não atingir os requisitos dos indivíduos ocupantes do determinado ambiente, a sensação de insatisfação é bastante percebida pelos indivíduos deste ambiente, ou seja, se determinado fator de higiene não atingir os requisitos mínimos de satisfação dos indivíduos de determinado ambiente, isto gerará grande insatisfação em tais indivíduos. O ar condicionado e o sistema de iluminação são considerados fatores de higiene. Daí a imensa importância relativamente ao uso de técnicas sempre modernas para o monitoramento e controle destes sistemas.
[0014] Para residências, como mencionado anteriormente, tal controle automatizado seguiu o desenvolvimento do controle predial e teve o seu início no Brasil na década de 90. Basicamente, controles de vídeo, som, temperatura e luminosidade foram majoritariamente dominantes até o início desta presente década, quando sistemas em nuvem começaram a permitir que eletrodomésticos fossem conectados diretamente à nuvem, possibilitando assim suas aplicações desde a indicação de manutenções necessárias dos referidos eletrodomésticos, até mesmo a liberação de compra de determinados itens de geladeira, como o exemplo implementado pela Amazon, no qual, a partir de sensoriamento IoT na geladeira, o usuário é avisado sobre a falta ou o número baixo de ovos em sua geladeira e é solicitado a liberar a compra do produto para a reposição. A compra da rede de supermercados Whole Food nos E.U.A. pela Amazon, bem como o aplicativo AmazonGo, o qual permite a escolha de produtos na gôndola do supermercado e a saída da loja, sem a necessidade de registros de produtos no caixa, dentre outras funcionalidades, indicam o movimento da Amazon no sentido de integração de processos residenciais com aqueles serviços em nuvem.
[0015] Pesquisas têm indicado um forte avanço em trabalhos nas áreas de IoT/“Cloud Computing” e IA, voltados para o mercado predial e o mercado residencial, como por exemplo:
[0016] Documento de patente BR 10 2016 023243-0 diz respeito a um módulo de comunicação para os aparelhos de ar condicionado, cuja atuação é realizada a partir de sensoriamento IoT sem fio local e de redes de dados tipo MESH, os quais captam temperatura e umidade interna e externa do ambiente. A partir dos dados coletados neste, o módulo de comando atua diretamente nos aparelhos de ar condicionado, regulando automaticamente a temperatura do ambiente frente a metas de conforto determinadas por usuários.
[0017] Apesar da comprovada economia gerada na prova de conceito apresentada acima, a criação de um módulo de comando de aparelhos de ar condicionado suscita dúvidas sobre a aplicabilidade em escala de dita solução. Sabe-se que os aparelhos de ar condicionado representam mais do que 70% do investimento total de sistemas completos de ar condicionado, considerando-se o projeto, instalação, sistema de automação, acessórios e os próprios aparelhos de ar condicionado. Desta forma, caso esse aparelho de ar condicionado ainda esteja dentro de seu“life cycle”, por vezes é inviável sua substituição por um capaz de receber comandos externos adaptados a um determinado módulo de comando padronizado. Toma-se, portanto, necessária a adaptação do controle remoto deste equipamento para que este esteja capacitado a receber comandos externos gerados de módulo diferente do previsto em sua fabricação original, ou toma-se necessária a adaptação do próprio aparelho de ar condicionado. A este respeito, conforme foi explicado, ocorre ou a adaptação do aparelho de ar condicionado, o que pode trazer consequências de mau funcionamento dele e até a perda de garantia do mesmo, caso o fabricante do equipamento não seja envolvido nesta intervenção, ou a adaptação do módulo de comando, objeto do referido documento BR 10 2016 023243-0, para este determinado equipamento. Dada a diversidade dos aparelhos de ar condicionado no mercado nacional, esta opção traria a necessidade da criação de inúmeros módulos de comando adaptados a cada equipamento de ar condicionado a ser controlado, o que gera a dúvida da viabilidade financeira desta implementação em escala.
[0018] Adicionalmente, conceitos já estabelecidos de controle térmico foram aparentemente aplicados aqui, não sendo identificada qualquer aplicação de técnica de IA.
[0019] Documento de patente CN 102004482 A descreve um sistema predial automático de economia de energia com base em IoT, o qual integra o sensoriamento local a partir de rede de dados TCP/IP e RFID e utiliza internet de alta capacidade. A coleta de dados é realizada a partir de identificação pelo RFID de equipamentos e wearables nos indivíduos ocupantes do determinado prédio. A partir da ocupação dos ambientes pelos indivíduos identificados por sensores RFID e do sensoriamento tradicional de temperatura, de umidade, e de medição elétrica, PLC’s efetuam controle de ambientes no que diz respeito à luminosidade e ao conforto térmico disponibilizado pelos equipamentos de ar condicionado.
[0020] A integração de controles tradicionais adaptados por meio do sensoriamento em tempo real da ocupação do ambiente por indivíduos a partir do sensoriamento RFID traz a possibilidade de controles mais adaptativos aos ambientes, em função da interpretação exata do posicionamento de indivíduos no ambiente. Todavia, possibilidade de identificação exata do posicionamento de indivíduos no ambiente somente traz vantagens de economia de energia se os atuadores tanto em iluminação, como também em ar condicionado forem proporcionalmente capazes de individualizar sua ação exatamente na localização daqueles indivíduos. A consequência é o investimento sensivelmente superior em atuadores de ar condicionado e sistemas de iluminação individualizados, o que aumenta bastante o investimento numa instrumentação predial. Caso este investimento não seja financeiramente viável, atuar nos sistemas de iluminação e naqueles de ar condicionado, através de áreas do prédio, passa a ser a opção, o que ocorre tradicionalmente nos vários prédios existentes ao redor do mundo. Neste caso, aquele sensoriamento via RFID passa a ser inútil, uma vez que o sensoriamento por presença na entrada dos ambientes (muito mais barato que
tal sensoriamento RFID) traz os mesmos resultados para efeito de controle de luminosidade e de temperatura, uma vez que tais atuadores do ambiente têm a capacidade de ação exclusiva por áreas do prédio (i.e., tipo lado A do prédio, quadrante 3 do prédio, etc.).
[0021] Documento de patente US 2007/0138307 AI revela um método e um aparelho para determinar um comando que controla um dispositivo num sistema de apoio ao condicionamento de ventilação de aquecimento (HVAC). Uma pluralidade de valores de conforto é inserida por ocupantes do ambiente para qual deseja que o seu ar seja condicionado. Uma base de regras leva aos valores do conforto relacionado, e uma ou mais regras é (são) aplicada(s) para produzir resultados difusos. Este resultado é então defuzzificado de maneira a obter um valor de comando exato ( crisp ) do dispositivo.
[0022] O documento acima trata de um método específico, que utiliza de técnica de inteligência artificial (lógica fuzzy), para gerar um controle mais ajustado por inserção de valores áe feedback pelos ocupantes do ambiente para o controle do dispositivo mapeando os valores difusos num valor de comando. Embora a aplicação trate de ambientes de conforto, o método proposto trata de uma situação bem específica, onde todos os usuários podem dar um feedback e o sistema e o aparelho devem encontrar os melhores valores.
[0023] Documento de patente US 2016/0305678 AI revela um método para controlar a temperatura numa zona térmica dentro de um edifício, o qual compreende: usando processador, receber uma faixa de temperatura desejada na zona térmica; determinar um valor de temperatura ambiente de previsão para uma superfície externa do edifício, próxima à zona térmica; utilizar um modelo preditivo para o edifício, determinando“set points” (pontos de ajuste) para um sistema de aquecimento, ventilação e ar condicionado (“HVAC”), sistema este associado àquela zona térmica que minimiza o uso de energia pelo prédio. O intervalo de temperatura desejado e o valor da temperatura ambiente de previsão são entradas para o modelo preditivo. Tal modelo preditivo é treinado utilizando
respectivos dados históricos de valores medidos para pelo menos uma daquelas entradas; e controlando o sistema“HVAC” com os“set points” para manter o valor de temperatura real da zona térmica na faixa ou intervalo de temperatura desejado para a zona térmica.
[0024] O sistema proposto acima faz uma previsão da temperatura do edifício levando em conta manutenção do ambiente em zona de conforto, bem como o consumo de energia através de controle do sistema“HVAC” com“set points”. Tal sistema trata de um contexto específico com a presença de sistema “HVAC” com“set points” e não leva em consideração ambiente dinâmico ou as tecnologias IoT.
[0025] Documento de patente US 2017/0241663 AI revela aparelhos, sistemas, métodos e produtos de programas de computador relacionados, para gerenciar programas e eventos de resposta à demanda. Os sistemas divulgados incluem sistema de gerenciamento de energia em operação com um termostato inteligente conectado à rede e localizado numa estrutura. O termostato controla um sistema“HVAC” para o arrefecimento da estmtura com uso de um perfil de implementação do evento de resposta à demanda ao longo do período daquele evento de resposta à demanda. Aquele termostato também pode receber uma alteração solicitada nas temperaturas de set point definidas por aquele perfil de implementação do evento de resposta à demanda e o acesso à determinação de um impacto na mudança de energia que resultaria se a dita alteração solicitada fosse incorporada no referido perfil de implementação do evento de resposta à demanda. Essa determinação pode ser comunicada ao consumidor de energia.
[0026] Assim como aquele documento acima, e a partir da ampla busca efetuada no campo tecnológico de gestão inteligente de ambientes com base na tecnologia‘Internet das Coisas’ (IoT), até o momento, resta claro que a técnica prévia falha em revelar um sistema que coleta dados de sensoriamento via IoT e os processa via Cloud Computing, gerando insights específicos em texto e voz, bem como perfil dinâmico de usuários e ambientes a partir de modelos de IA.
[0027] Logo, há uma necessidade de melhoramento com base em dois pilares que norteiam a presente invenção, a saber, a Internet das Coisas (IoT) / Cloud Computing ou Computação em Nuvem e a Inteligência Artificial (IA). SUMÁRIO DA INVENÇÃO
[0028] Os termos relacionados com a palavra“invenção” usados nesta descrição são destinados a se referir amplamente a toda matéria do documento, incluindo relatório descritivo, reivindicações, e seus desenhos. As declarações contendo tais termos devem ser compreendidas como não limitantes da matéria descrita no presente documento ou limitantes do significado ou do escopo das reivindicações abaixo. As modalidades da invenção cobertas por esta descrição são definidas pelas reivindicações abaixo. Este sumário dá uma visão geral em alto nível de vários aspectos da invenção e introduz alguns conceitos que são ainda descritos na seção“Descrição Detalhada” abaixo. O sumário não é e não deve ser destinado a ser empregado de modo isolado para determinar o escopo da matéria da invenção. Tal matéria deve ser entendida, a título de referência, a partes adequadas do relatório descritivo, qualquer ou todos os desenhos e cada reivindicação.
[0029] A presente invenção se refere a processo de gestão inteligente de ambientes, compreendendo os seguintes passos:
- coletar dados de sensores localizados no ambiente;
- calcular um perfil dinâmico de usuário a partir de pelo menos um dentre dados de cadastro do usuário e dados de sensores do ambiente, e da leitura de dados externos ao ambiente;
- calcular um perfil dinâmico do ambiente a partir do perfil dinâmico de usuário e dos dados externos ao ambiente;
- gerar pelo menos um insight a partir de pelo menos um dentre dados a respeito do ambiente, perfil dinâmico de usuário e perfil dinâmico de ambiente;
- processar tal pelo menos um insight utilizando uma lógica de
decisão para selecionar um insight,
- realizar uma ação de controle com base no insight selecionado; e
- interagir com o usuário com base em interface construída com elementos gráficos.
[0030] Vantajosamente, o processo de gestão inteligente de ambientes inclui ainda construção e manutenção do perfil dinâmico de usuário e ambientes, os quais ocorrem a partir da coleta de dados de cadastro do usuário, da leitura dos dados do ambiente por um agente coletor, e da coleta de dados externos, a partir do cálculo do perfil dinâmico do usuário e ambiente, aplicando-se técnicas de IA e ML, cujos perfis são também influenciados dinamicamente, de forma geral, em função da variação na função de feedbacks do próprio usuário aos insights gerados a ele, e, especificamente ao ambiente, o qual é influenciado pelo perfil dinâmico dos usuários inseridos no referido ambiente, bem como pelo clima da região e pela estação climática - outono, inverno, primavera ou verão, formando, deste modo, um circuito fechado de usuário(s) e de ambiente(s) influenciado(s) e também influenciador(es) mutuamente entre si; e a partir da modelagem, geração e recomendação de insights que são induzidos, criados e ajustados de forma automática ou semi-automática a partir de modelos de IA e ML para gerar um conjunto de regras usadas na parte de pré-condição e de condição de entrada, na geração das mensagens e dos insights e a realização de ações de controle para usuário(s) e ambiente(s), que são capazes de serem manual ou automaticamente respondidos pelo usuário de acordo com o seu perfil e o perfil do ambiente.
[0031] Vantajosamente, o processo de gestão inteligente de ambientes descreve ainda o passo de interação com o usuário sendo realizado a partir de interface construída com elementos gráficos, sobre os quais imagens representam os, dados e informações; e, tarefas disponíveis são manuseadas diretamente pelo usuário a partir da construção de aplicativos em celular(es),‘wearables’ ,
‘smart speakers and home assistants’,‘smart devices’,‘smart home’, laptops, computadores, tablets, por meio de telas gráficas, textos de mensagens, voz e vídeo.
[0032] Vantajosamente, o processo de gestão inteligente de ambientes inclui ainda descrição de indicadores de conforto de usuário(s) e ambiente(s) a partir de cálculo de aderência de ambiente aos perfis dinâmicos de usuários com base em preferências dos usuários relativas a conforto térmico, nível de iluminação e ocupação, aplicando-se técnicas de IA e ML e a partir da interação com o usuário com a indicação de escalas gráficas, as quais determinam visualmente a parametrização e a classificação do referido ambiente e seu nível de aderência aos perfis de seus usuários, o que indica a percepção de conforto dos usuários acerca do referido ambiente.
[0033] Vantajosamente, o processo de gestão inteligente de ambientes inclui ainda descrição de indicadores de economia e eficiência do ambiente a partir do cálculo e da geração dos insights aplicando-se técnicas de IA e ML e a partir da interação com o usuário com a indicação de escalas gráficas incluindo etiquetas cujas referidas indicações determinam visualmente a parametrização e classificação do referido ambiente, o que indica o grau de economia e eficiência do referido ambiente.
[0034] A presente invenção também diz a respeito de sistema de gestão inteligente de ambientes, compreendendo:
- um agente coletor de dados configurado para coletar dados de sensores localizados no ambiente para transmití-los para a nuvem;
- meio de cálculo configurado para calcular um perfil dinâmico de usuário a partir de pelo menos um dentre dados de cadastro do usuário, dados de sensores do ambiente, e dados externos ao ambiente;
- meio de cálculo configurado para calcular um perfil dinâmico de ambiente a partir do perfil dinâmico de usuário e dados externos ao ambiente;
- meio de geração de insight configurado para gerar pelo menos
um insight a partir de pelo menos um dentre os dados a respeito do ambiente, perfil dinâmico de usuário e perfil dinâmico do ambiente;
- um processador de dados em nuvem configurado para processar o pelo menos um insight utilizando uma lógica de decisão para selecionar um insight;
- uma interface com usuário configurada para realizar uma ação de controle com base no insight selecionado; e
- interação com o usuário com base em interface construída com elementos gráficos.
[0035] Vantajosamente, o dito processador de dados em nuvem baseia- se em uma API (Application Programming Interface) seguindo a arquitetura de implementação de API REST (Representational State Transfer) - RESTfull web Services e linguagens de programação usados na web (Java, Nodejs, PHP, Python e Ruby).
[0036] Vantajosamente, o processador de dados em nuvem baseia-se no processamento e na aplicação de estratégias de IA e ML como Arvore de Decisão, SVM, KNN,“Random Forest”, Técnicas de Regressão, Algoritmos Genéticos, Técnicas Bio-Inspiradas, Redes Neurais Artificiais, e Lógica Fuzzy, assim como técnicas de PLN, para gerar modelos treinados e integrados (MIAs) a serem empregados na parte de pré-condição, condição de entrada, na geração das metas e insights e também nos ajustes de fatores, peso e grau de relevância para efetuar cálculo, classificação e predição dos níveis de conforto do ambiente, cálculo e predição do consumo de energia, gastos financeiros e perfil dinâmico de consumo individual e coletivo a partir dos dados históricos e em tempo real, além de realizar um conjunto de ações / comandos recomendado pelo insight que deverá ser manual ou automaticamente executado pelo usuário de acordo com o seu perfil e o perfil do ambiente.
[0037] Vantajosamente, a interface com usuário executa comandos de ligar e de desligar ar condicionado e de iluminação e de enviar SET POINT
de temperatura a equipamentos de ar condicionado, os quais são executados remotamente de forma manual por ação do usuário, de forma automática por programação horária tipo LIGA/DESLIGA ou como resultado dos MI As.
[0038] Vantajosamente, o processador de dados em nuvem executa o
MIA-ADERÊNCIA DO AMBIENTE AOS PERFIS DINÂMICOS DOS
USUÁRIOS, que implementa os indicadores de conforto do(s) usuário(s) e de ambiente(s) com a parametrização e com a classificação das preferências dos usuários relativas ao conforto térmico, nível de iluminação e ocupação a partir da aplicação de técnicas de IA e ML e a partir da interação com o usuário com indicação de escalas gráficas que determinam visualmente a parametrização e a classificação do referido ambiente e o seu nível de aderência aos perfis de seus usuários, o que indica a percepção de conforto dos usuários acerca do referido ambiente.
[0039] Vantajosamente, o processador de dados em nuvem executa o
MIA-GERAÇÃO DE INDICADORES DE ECONOMIA E EFICIÊNCIA DO AMBIENTE, que implementa os indicadores de economia e eficiência do ambiente com a parametrização e a classificação dos ambientes a partir da aplicação de técnicas de IA e ML e a partir da interação com o usuário com indicação de escalas gráficas incluindo etiquetas cujas referidas indicações determinam visualmente a parametrização e a classificação do ambiente, o que indica o grau de economia e eficiência do referido ambiente.
[0040] Vantajosamente, a interface com usuário compreende sistema de interação através de dashboard acessado via WEB para comandos, visualização do estado de equipamento e sistemas e recebimento de insights com visualização dos resultados a partir de imagens, de gráficos, de texto e de voz em função da parametrização definida pelo usuário.
[0041] Vantajosamente, a interface com usuário compreende sistema de interação por aplicativo APP Mobile, instalado nos smartphones dos usuários a partir de lojas na nuvem como a PlayStore e a AppleStore para comandos,
visualização do estado de equipamento e sistemas e recebimento de insights com visualização de resultados a partir de imagens, gráficos, texto e voz em função da parametrização definida pelo usuário.
BREVE DESCRIÇÃO DOS DESENHOS
[0042] As modalidades ilustrativas, porém, não limitativas, da presente revelação são descritas em mais detalhes abaixo com referência às figuras em seguida:
Figura 1 exibe a arquitetura geral de acordo com uma forma de realização preferida da invenção;
Figura 2 exibe algumas das principais telas do aplicativo móvel de acordo com a invenção;
Figura 3 exibe uma visão global do processamento e aplicação de estratégias de IA em nuvem para a seleção de insights e a geração do perfil dinâmico do usuário e ambiente de acordo com a invenção;
Figura 4 exibe um processo de constmção e atualização do perfil dinâmico do usuário de acordo com a invenção;
Figura 5A exibe um gráfico que representa o arranjo dos perfis dinâmicos de usuários e do ambiente de acordo com a invenção;
Figura 5B exibe um gráfico que representa o nível de aderência entre ambiente e usuários de acordo com a invenção;
Figura 5C exibe um processo de modelagem e de construção de perfil dinâmico do ambiente de acordo com a invenção;
Figura 6 exibe um processo de criação de insights e de modelos de ML (IA) de acordo com a invenção;
Figura 7 exibe um processo de seleção e de recomendação de insights a partir de técnicas de IA e ML de acordo com a invenção;
Figura 8 mostra um primeiro exemplo de estratégia de seleção e recomendação dos melhores insights de acordo com a invenção;
Figura 9A mostra a distribuição dos insights de acordo com os
seus valores e classes apresentados por visualização com dois atributos numa forma de realização da invenção;
Figura 9B exibe a seleção do insight s2 por ser o mais próximo da recomendação de acordo com a forma de realização preferida da invenção;
Figuras 10 A, B, C e D apresentam 4 fluxos descrevendo todo o processo de busca, execução de insights e, por fim, processamento de feedback dos insights de acordo com a invenção;
Figura 11 exibe tela do aplicativo móvel ou APP com comando para ajuste de temperatura e de nível de conforto do usuário de acordo com a invenção; e
Figuras 12A-E ilustram gráficos das funções de pertinência do (A) conforto dos usuários do ambiente, (B) feedback do usuário, (C) variação de temperatura sugerida, (D) saída da ativação das funções de pertinência e (E) resultado com agregação das funções de pertinência de acordo com a invenção. DESCRIÇÃO DETALHADA DA INVENÇÃO
[0043] A seguir, algumas formas de realização vantajosas e opcionais para efetuar a presente invenção serão descritas. Esta descrição não deverá ser interpretada como requerendo qualquer ordem ou disposição particular dentre um ou entre os vários elementos.
[0044] Figura 1 ilustra a arquitetura geral de acordo com uma forma de realização preferida da invenção e se caractereriza por um ciclo que é iniciado a partir dos passos a seguir: coleta e pré-processamento de dados; processamento e aplicação de estratégias; e, interface com usuário.
[0045] Um agente coletor instalado em estação IoT é configurado para coletar, preparar, pré-processar e filtrar os dados de sensoriamento local para transmissão à nuvem. Tal coleta de dados é efetuada em tempo real a partir da estação IoT, que se conecta ao sensoriamento local por meio de sinais discretos, em corrente, tensão, wireless, wifi, rede de dados física local, entrada de dados pelo próprio usuário por meio de celulares,“wearables”,“smart speakers and
home assistants”, computadores, laptops, tablets, etc. Tal conexão de sensores local não é limitada por tipo de sensoriamento, podendo ser integrados sensores de temperatura, umidade, medição de energia elétrica (corrente, tensão, potência, qualidade de energia, fator de potência, etc.), sensor de presença, foto, vídeo, reconhecimento de voz, reconhecimento facial, reconhecimento de íris, etc. A limitação se dá pelo número de sensores por estação IoT, o que é contornado adicionando-se mais estações IoT. Adicionalmente, a dita estação IoT pode ser implementada a partir do hardware de diferentes fabricantes, adicionando-se serviços de processamento de dados de coleta desenvolvidos pela Moka Mind, que se conectam aos serviços de processamento e aplicação de estratégias de Inteligência Artificial em Nuvem também desenvolvidos pela Moka Mind. O pré-processamento de dados feito pelo agente coletor ocorre também na estação IoT e tem a função de preparar/filtrar os dados do sensoriamento local para a transmissão à nuvem. Tal tarefa evita a transmissão de dados repetidos, bandas mortas, etc., o que economiza dados de transmissão em telecomunicações e o armazenamento em nuvem.
[0046] A seguir, ocorre o processamento e a aplicação de estratégias de
Inteligência Artificial em nuvem a partir de um conjunto de serviços em nuvem que implementam técnicas de aprendizagem de máquina, entre elas, árvore de decisão e redes neurais artificiais, criando modelos treinados e integrados que realizam o cálculo, classificação e predição dos níveis de conforto do ambiente, cálculo e predição do consumo de energia, gastos, etc., com o objetivo de gerar insights e criar o perfil dinâmico de usuários e ambiente. Tal passo será melhor detalhado mais abaixo na presente descrição.
[0047] Por fim, interface com usuário foi construída majoritariamente por elementos gráficos, sobre os quais imagens representam dados e informações e tarefas disponíveis são manipuladas diretamente pelo usuário e se dá a partir da constmção de aplicativos em celulares,“wearables”,“smart speakers and home assistants”,“smart devices”,“smart home”, computadores, laptops, tablets, etc.,
por meio de telas gráficas, textos de mensagens, voz e vídeo. Na Figura 1, são apresentadas 2 formas diferentes da interface para interação com o usuário: 1. O aplicativo“APP Mobile”, instalado em smartphones de usuários a partir de lojas na nuvem como PlayStore e AppleStore e 2. Dashboard acessado via web.
[0048] Conforme mostrado na Figura 1, as interações do usuário para comandos e insights são realizadas através de clicks, touch, bem como através de comandos de voz. A visualização dos resultados e insights específicos são apresentados em texto e voz de acordo com a parametrização dessa invenção.
[0049] Figura 2 ilustra algumas das principais telas do aplicativo móvel de acordo com a invenção com as principais funcionalidades compostas de (a) visão geral com dados dos sensores, gráficos gerais e ícones para visualização e leitura dos insights; (b) tela com dados com iluminação com comandos para ligar e desligar circuitos e gráficos de horas desligadas com metas e variação entre outros; (c) tela com dados com leitura da umidade e gráficos de análise sobre ambiente do conforto mostrando o grau de conforto. Figura 2 apresenta telas do APP com sequência de comandos e saída de insights.
[0050] A presente invenção sugere e realiza comandos nos ambientes, do tipo LIGA/DESLIGA e por SET POINTS, analisa dados históricos de ditos ambientes e os compara com as bases de dados de outros sistemas em nuvem, correlaciona ambientes, acessa outros sistemas para coleta de dados em tempo real para a tomada de decisões, tira conclusões e apresenta resultados com o objetivo da melhoria da eficiência operacional de prédios e casas.
[0051] Figura 3 ilustra uma visão global do processamento e aplicação de estratégias de IA em nuvem para a seleção de insights e a geração do perfil dinâmico do usuário e ambiente de acordo com a invenção. O processamento e a aplicação de estratégias de IA em nuvem ocorrem a partir de um conjunto de serviços em nuvem, o qual implementa técnicas de aprendizagem de máquina, entre elas, árvore de decisão e redes neurais artificiais, criando assim modelos treinados e integrados que realizam cálculo, classificação e predição de níveis
de conforto do ambiente, cálculo e predição de consumo de energia, gastos, etc., a fim de gerar insights e criar o perfil dinâmico de usuários e do ambiente.
[0052] Para alcançar tal objetivo, é empregada estratégia sobre a qual são implementadas técnicas de IA e“Machine Learning” (ML) para encontrar e recomendar os melhores insights, bem como construir o perfil dinâmico dos usuários e do ambiente. Tal estratégia é composta de três processos principais e três processos auxiliares apresentados na Figura 3:
Processos Principais
• Processo de modelagem e construção de perfil dinâmico do usuário;
• Processo de modelagem e constmção de perfil dinâmico do ambiente; e
• Processo de modelagem, geração e recomendação de insights.
Processos Auxiliares
• Processo de Cadastro
• Processo de Coleta de Dados do Ambiente; e
• Processo de Coleta de Dados Externos (API -“Application Programming Interface”).
Processo de Modelagem e Construção de Perfil Dinâmico do Usuário
[0053] Este processo é responsável por construir e manter atualizado o perfil dinâmico do usuário para uso de determinado ambiente. A construção deste perfil ocorre a partir de dados provenientes do Processo de Cadastro, do Processo de Coleta dos Dados do Ambiente e do Processo de Coleta de Dados Externos. A partir da constmção do perfil do usuário, o mesmo é dinamicamente influenciado em função da variação nos processos acima descritos e, também, em função dos feedbacks do próprio usuário aos insights gerados a ele. Outro fator de influência sobre o perfil dinâmico do usuário é o ambiente no qual este usuário está inserido e cuja formação de perfil (perfil do ambiente) também é dinâmica e dependente do perfil dinâmico deste usuário, dos outros usuários inseridos neste ambiente e de fatores externos a este ambiente (clima da região, etc.), formando assim um sistema fechado usuários & ambiente influenciado(s)
e influenciador(es) mutuamente entre si, como mostra a Figura 5A, a qual será descrita mais detalhadamente a seguir.
[0054] O referido cálculo dinâmico do perfil de usuário ocorre a partir da adaptação dinâmica dos fatores_coeficiente de cada perfil, considerando a classificação dos usuários e o ambiente que usa dados históricos dos processos acima descritos e que emprega uma técnica de ML, como, por exemplo, RNA (Redes Neurais Artificiais).
[0055] No Modelo de Inteligência Artificial (MIA) - AMBIENTE DE
CONFORTO, a modelagem do perfil dinâmico do usuário segue a estrutura típica abaixo:
Legenda:
definido por = ::
Nome do campo = nome do campo:
Valores = <valorl, valor!...>
Exemplo de um perfil dinâmico de ambiente (PDA):
-Perfil _Dinâmico_Ambiente:
identificador: <PDA_id#01>;
tino de prédio: <Prédio ou Galpão... >;
tipo uso: <comercial ou residencial>;
localização: <( longitude, latitude ), endereço>;
ocupação/m2: <min=5, media=20, max=50>;
tempo_desligar_ar_dia: <min= 10, fator _coeficiente=13>;
classificação geral perfil: <moderado>;
## parâmetros cadastro##
iluminação desligada meta dia: <12>
hora planeta: <sim>
iluminação desligada meta dia: <10>
## local dados##
-Perfil_DÍnâmÍco_Usuário:
identificador: <PD U id#01 >;
prioridade: <conforto=70%, economia=30%>;
prioridade comando: <automático=60% , manual=40%>;
visualiza insights tempo: <min=10; médio=14; max=20>;
aceita insight: <sim=60%; não=30%; ignora=10%>;
tempo _desligar_ar: <min= 10, fator _coeficiente=13>;
fator temperatura verão: <Min=20; Max=24; fator _coeficiente=22>;
fator temperatura inverno: <Min=23; Max=26; fator_coeficiente=24>; temperatura preferência: <Jan=22; Fev=23;...Jun=24...Dez=22>;
busca metas: <80%>;
Outros dados cadastrais e parâmetros - MokaAPP
[0056] Figura 4 apresenta o processo responsável por construir e manter atualizado o perfil dinâmico do usuário de acordo com a invenção para uso de determinado ambiente. A construção de um perfil desse tipo ocorre a partir de dados provenientes do Processo de Cadastro, do Processo de Coleta dos Dados do Ambiente e do Processo de Coleta de Dados Externos. Neste processo, são empregados também os dados a partir do feedback do usuário em relação aos insights recebidos, bem com o perfil do uso de ambiente de conforto e as suas preferências cadastradas através do processo de cadastro. Tais dados são usados para calcular o grau de similaridade com o ambiente e com os outros usuários, e são classificados utilizando-se técnicas de IA.
[0057] Os perfis dinâmicos do usuário e do ambiente são criados e são atualizados seguindo os fluxos típicos, conforme mostrados nas Figuras 4 (A) e 4 (B), respectivamente.
[0058] Figura 5A exibe um gráfico que representa o arranjo dos perfis dinâmicos de usuários e do ambiente de acordo com a invenção; a Figura 5B exibe um gráfico que representa o nível de aderência entre ambiente e usuários de acordo com a invenção; e, a Figura 5C exibe um processo de modelagem e de construção de perfil dinâmico do ambiente de acordo com a invenção. Este
processo de modelagem e de construção de perfil dinâmico do ambiente existe a partir do processo de modelagem e construção de perfil dinâmico do usuário e depende de pelo menos um perfil de usuário associado ao referido ambiente, bem como de fatores externos ao ambiente (clima da região, etc.).
Processo de Modelagem, Construção de Perfil Dinâmico e Geração de Indicadores de Economia e Eficiência do Ambiente
[0059] Este processo é responsável por construir e manter atualizado o perfil dinâmico de determinado ambiente. A construção deste perfil ocorre a partir de dados provenientes do Processo de Cadastro, do Processo de Coleta dos Dados do Ambiente e do Processo de Coleta de Dados Externos. A partir da construção do perfil do ambiente, o mesmo é influenciado dinamicamente em função da variação nos processos acima descritos e também em função do número de perfis dinâmicos de usuários associados a este ambiente.
Exemplo 1: um ambiente com a inclusão de perfis dinâmicos cuja preferência de temperatura está abaixo da temperatura atual do ambiente faz com que o perfil dinâmico do ambiente seja alterado e a temperatura atual do ambiente seja diminuída automaticamente; e
Exemplo 2: se um perfil dinâmico de usuário seja alterado em determinado parâmetro, dado que outro perfil dinâmico de usuário já tenha sido alterado no mesmo parâmetro em intervalo inferior ao parametrizado naquele Processo de Cadastro, tal perfil dinâmico do ambiente é alterado em uma taxa superior à normal para resposta mais rápida à tendência indicada.
[0060] O ambiente é em seguida parametrizado e classificado quanto às preferências de usuários com referência a conforto térmico, nível de iluminação, ocupação, economia, etc. Geram-se escalas gráficas cujas indicações determinam visualmente a parametrização e classificação do referido ambiente. Também é indicado graficamente o nível de aderência do ambiente aos perfis dinâmicos de seus usuários, o que indica a percepção de conforto dos usuários acerca do referido ambiente, conforme demonstrado na Figura 5B.
[0061] O referido processo é responsável por geração de indicadores de economia e de eficiência do ambiente e de sua classificação relativa ao conforto térmico dos usuários, nível de iluminação, ocupação, economia, e, ainda, metas parametrizadas pelo usuário de tal ambiente com indicação de escalas gráficas incluindo etiquetas cujas indicações determinam visualmente a parametrização e a classificação do referido ambiente e o seu nível de aderência aos perfis de seus usuários, o que indica o grau de economia e eficiência do ambiente citado, conforme as escalas de classificação demonstradas nas Figuras 5B e 5C.
[0062] O sensoriamento conectado à estação IoT (sensores de presença, reconhecimento por vídeo, geo-localização, wearables, etc.) pode adicionar ou subtrair perfis de usuário e informações, dinamicamente, em um determinado ambiente.
[0063] A extrapolação das escalas gráficas de cada ambiente gera uma classificação gráfica do prédio, como mostra o exemplo da Figura 5C.
[0064] Figura 8 mostra um primeiro exemplo de estratégia de seleção e recomendação dos melhores insights de acordo com a invenção. A execução do insight#l , a partir de dados de entrada da estação IoT, de perfil de usuário e de ambiente em tempo real visa determinar o grau e classificar o ambiente de conforto em insight#l derivado do MIA - AMBIENTE DE CONFORTO. Descrição do Modelo Fuzzy para Ajuste de Temperatura de Conforto de Usuário e do Ambiente
[0065] Uma entrada é obtida por meio d efeedback do usuário que deve selecionar através de um seletor de sensação de conforto (ver tela do aplicativo móvel ou APP com comando para ajuste de temperatura e de nível de conforto do usuário da Figura 11), outras entradas que são relacionadas a temperatura do ambiente interno a partir do sensor de temperatura da estação IoT e o perfil do ambiente e a saída é um ajuste de temperatura e conforto para o usuário e para o ambiente. Tal modelo é implementado como um daqueles serviços dentro da arquitetura da MIA-API.
[0066] Este modelo receberá um conjunto de parâmetros referentes a um determinado usuário:
• Conjunto de últimos valores d feedback do usuário utilizado para manter a faixa de conforto atualizada;
• Temperatura de conforto do ambiente atual;
• Temperatura do ambiente (lida a partir do sensor da estação IoT);
• Feedback atual do usuário com entrada na APP representado por escala de -10 para muito frio à 10 para muito calor).
[0067] A partir dessas entradas, modelo fuzzy é executado e as funções de pertinência são ativadas, e, posteriormente, as regras são processadas e uma saída com o valor de ajuste é sugerida para mudança de temperatura do conforto para o usuário que é utilizada também para ajustar o conforto do ambiente.
[0068] Figura 12A, B e C mostram gráficos das funções de pertinência do conforto de usuários do ambiente, do feedback do usuário e da variação de temperatura sugerida de acordo com a invenção, onde o primeiro gráfico (ver Figura 12 A) apresenta as funções de pertinência do conforto dos usuários do ambiente; segundo gráfico (ver Figura 12B) apresenta as funções de pertinência do feedback do usuário atualizadas variando de -50 a 50; terceiro gráfico (ver Figura 12C) mostra as funções de pertinência da saída sugerida (variação, por exemplo, de temperatura necessária de ajustes para melhorar a sensação do conforto do usuário); quarto gráfico (ver Figura 12D) mostra quais funções de pertinência da saída foram ativadas pelas entradas do usuário. É possível ainda perceber que nesse caso específico 3 (três) funções foram ativadas com graus diferentes. Finalmente, quinto gráfico (ver Figura 12E) ilustra a agregação das funções de saída ativadas e o novo valor sugerido.
[0069] No caso dos gráficos apresentados na Figura 12 em específico, as entradas foram:
• Temperatura de conforto: 22°C
• Temperatura do ambiente: 22°C
• Feedback do usuário: -4 (Entre frio e fresco)
[0070] Observa-se que nesse caso, mesmo que a temperatura seja igual à temperatura de conforto pré-estabelecida, o usuário diz sentir frio. Assim é sugerido que: A temperatura seja aumentada em 1,9°C (Figura 12E).
Processo de Cadastro
[0071] Neste processo, todas as características de ambiente e usuários e as suas preferências, assim como os parâmetros dos Modelos de Inteligência Artificial (MI As) são inseridos.
Processo de Coleta de Dados do Ambiente
[0072] Neste processo, todos os dados em tempo real são coletados do ambiente a partir da estação IoT.
Processo de Coleta de Dados Externos
[0073] Neste processo, dados históricos e em tempo real são coletados de aplicativos, sistemas, banco de dados, etc. presentes na web.
Processo de Modelagem, Geração e Recomendação de Insights
[0074] E um processo de criação, geração e recomendação de insights e ações de controle que recebe como entrada os dados coletados pela estação IoT, localização geográfica, dados auxiliares externos de API de terceiros e dados cadastrais e o perfil do usuário e de ambiente e tem como saída a geração e recomendação de insights e ações de controle.
[0075] Para alcançar estes objetivos, os modelos de representação dos insights são definidos, assim como usadas técnicas de IA para gerar, encontrar e recomendar os melhores insights. Figura 6 ilustra o processo de modelagem, de geração e de recomendação de insights de acordo com a presente invenção. A Figura 6 apresenta como este processo funciona.
[0076] Os insights são descritos usando o seguinte template :
Legenda:
definido por = ::
Nome do campo = nome do campo:
Valores = <valorl, valor2...>
Template do Insight :
insisht identificador: <identificador único do Insight>
pré condição: <condição baseada nos valores coletados, no conjunto de regras induzidas por modelo de ML a partir dos dados e outras expressões para entrar nos insights>
condição de entrada: <condição de permanência do mesmo estado e espera> mensagem: <mensagem em texto ou voz do Insight>
objetivo: <descrição dos objetivos em texto, gráficos e outro material>
ação comando: <conjunto de ações e comando que podem ser executados> quem gerou: <quem escreveu os insights (pessoa ou assistente IA)>
data gerou: < data que os insights foram incluídos>
retorno feedback: <opções de retorno (sim, não, ignorar)>
quantidade disparo: <quantidade de vezes que foi gerado e visualizado> peso: <peso calculado a partir de dados feedback e vezes que foi gerado [0...1]> grau relevância: <grau de relevância do insight (alto, médio, baixo)>
Obs. Este template pode ser estendido com mais informações e campos.
[0077] Os insights poderão ser induzidos, criados e ajustados de uma forma automática ou semi-automática a partir de modelos de IA e ML, como
Arvore de Decisão, SVM, KNN, “Random Forest”, Técnicas de Regressão, Algoritmos Genéticos, Técnicas Bio-Inspirados, Redes Neurais Artificiais (RNAs) e Lógica Fuzzy, bem como técnicas de PLN, gerando um conjunto de regras que serão utilizados na parte de pré-condição, condição de entrada, na geração das mensagem e objetivo e também nos ajustes dos fatores entre eles, peso e grau relevância dos insights , além de um conjunto de ação comando os quais devem ser executados caso o insight for aceito.
Exemplo de Insight no MIA - AMBIENTE DE CONFORTO: insight #1 insisht identificador: <insight# 1>
pré condição: <(Estado(AR)=“Ligado”) & (Estado(iluminação)=“Desligado”)>
condição de entrada: <Tempo_permanência > =“t” minutos [param] >
mensagem: <“ Ambiente“x” está com o ar condicionado ligado e a iluminação desligada a“y” min. Deseja desligar o ar condicionado ? Deseja repetir esta ação nas próximas ocorrências ?”>
objetivo: <Monitoramento de operação com objetivo de economia e redução de custo>
ação comando: <desligar(AR)>
quem gerou: <pessoa>
data gerou: <10.01.2018>
retorno feedback: <opções de retorno (sim, não, ignorar)>
quantidade_disparo: <50>
peso: <0.75>
grau relevância: <“Alto”>
Recomendação de Insights
[0078] Figura 7 mostra o processo de recomendar os insights usando técnicas de IA e ML, grau de similaridade e técnicas de vizinho mais próximo e também apresentar um ajuste dos parâmetros dinâmicos usando técnicas de IA como Algoritmos Genéticos para otimização multi-objetiva.
[0079] Dado um conjunto de insights ( Sl...Sn ), cada um com sua pré- condição ( PSl...PSm ); m<=n, onde alguns insights podem ter a mesma pré- condição; cada insight possui um peso ( Wl...Wn ), dado também um perfil de usuário (P) e conjunto de perfis de usuários (Pl...Pn), selecionar e recomendar os melhores e mais adaptados insights usando o seguinte processo e seguintes passos, que também estão ilustrados no fluxograma da Figura 7 (Rec-YYY): Passo 1: Receber com entrada dos dados e estados dos sensores e atuadores da estação-IoT;
Passo 2: Encontrar e filtrar um conjunto de pré-condição que satisfaz os valores de entrada e respectivos insights a partir do ( PSl...PSm );
Passo 3: Se encontrar apenas um insight , então executa os passos do insight e
vai para o passo 5;
Passo 4: Se encontrar mais de um insight , então se aplica o cálculo de seleção dos insights , os perfis dos usuários e a recomendação dos insights na ordem de prioridade e executa os passos do insight;
Passo 5: Atualizar os pesos e os dados dos insights ;
[0080] Recomendação dos insights usando técnicas de IA e ML, grau de similaridade e técnicas de vizinho mais próximo e também apresentação de um ajuste dos parâmetros dinâmicos usando técnicas de IA como Algoritmos Genéticos para otimização multi-objetiva conforme a Figura 7.
[0081] Para recomendar os melhores Insights , será realizado o cálculo de similaridade usando a distância Euclidiana (Equação 1):
[Equação 1] onde v são atributos no primeiro e segundo insights (x, y) e n é o total de atributos já selecionados por proximidade de localização, conforme já definido.
[0082] Em seguida, é aplicada técnica KNN para selecionar os vizinhos mais próximo e, desta forma, recomendar o insight mais próximo. Figura 9A apresenta uma visualização com 2 atributos e, neste caso, insight selecionado seria o Insight (s2) por ser o mais próximo na recomendação; e, a Figura 9B apresenta aplicação da técnica KNN para selecionar o vizinho mais próximo e, desta forma, recomendar insight mais próximo e, neste caso, insight selecionado seria o Insight (s2) por ser o mais próximo que deve ser recomendado.
Exemplos de Processos de Geração e Recomendação de Insights
Processo de Rateio de Energia, Billing e Perfil de Consumo
[0083] Este processo descreve rateio de energia entre cargas elétricas e o perfil de consumo de cada carga.
[0084] Os dados de consumo padrão são cadastrados pelo usuário.
[0085] Os dados lidos e pré-processados por aquele agente coletor são transmitidos à nuvem.
[0086] Os dados são processados de forma automática a partir daqueles dados lidos do sensoriamento de energia local ou de forma manual em função do consumo teórico.
[0087] O rateio de energia ocorre entre as cargas deste processo e são indicados graficamente na interface com o usuário. Insights são gerados em função das metas de consumo de cada carga.
[0088] Dados para o perfil de consumo de cada carga são processados da mesma forma e a interface com o usuário indica graficamente o perfil de consumo de cada carga (real ou teórico) comparativamente com o seu consumo padrão, indicando aderência entre os dois gráficos, seus desvios e extrapolações. Insights são gerados em função de tal aderência entre os perfis de consumo real ou teórico e padrão.
[0089] No Billing, cálculo da energia acumulada de uma carga elétrica em determinado período é realizado a partir de dados lidos pelo agente coletor das medições de energia dos ambientes, do seu tempo de funcionamento, e da parametrização manual ou automática do consumo teórico de equipamentos e custo do kwh, com indicações gráficas da conta de energia, desvios, bem como extrapolações. Aqueles Insights são gerados em função das metas de consumo parametrizadas.
[0090] Figuras 10 A, B, C e D apresentam 4 fluxos descrevendo todo o processo de busca, execução de insights , e, por fim, processamento d efeedback de insights de acordo com a invenção. Figura 10A (Fluxo 1) revela o processo de busca por insights, onde a cada intervalo de tempo (específico para cada tipo de insight) tal processo busca no banco de dados os insights monitorados para o ambiente. Para cada insight, é verificada se a sua pré-condição de execução é satisfeita. Se sim, cria-se uma nova instância de insight ready, insight cuja pré- condição foi satisfeita e já está preparado para ser lançado no e processado pelo sistema. Figura 10B (Fluxo 2) descreve execução de insights propriamente dita, onde a cada instante de tempo predeterminado (cada 1 min e.g.) o sistema recupera
a lista de insights ready e para cada insight é verificado se já está pronto para ser lançado no sistema. Se sim, o sistema cria uma nova instância de insight ativo e deixa disponível para o“APP mobile” ou a web buscar e visualizar. Figura 10C (Fluxo 3) divulga o processo de monitoramento de entrega de insight, onde toda vez que insight é buscado pelo cliente móvel ou é lido pelo usuário, um contador no insight é atualizado, servindo para informar as vezes que foi buscado e lido, respectivamente. Figura 10D (Fluxo 4) descreve o processamento áe feedhacks dos insights , cada insight possui suas opções d e feedback, cada qual com suas ações pré-definidas que serão executadas assim que o usuário enviar feedback para o sistema. Para todo feedback enviado, tal sistema entenderá que o insight foi resolvido e irá desativá-lo para não ser executado novamente.
[0091] As vantagens de um processo e um sistema tais como aqueles aqui apresentados na presente invenção são inúmeras:
• Maior eficiência energética;
• Menor tempo de tomada de decisão;
• Redução de custos de operação e manutenção;
• Maior sensação de conforto;
• Análises mais acertivas;
• Melhor gerenciamento de riscos;
• Previsibilidade do uso e consumo de energia;
• Para o mercado predial, melhor integração entre equipes de operação, manutenção e os usuários dos referidos ambientes.
[0092] Quanto a sua aplicabilidade industrial, o processo e sistema de gestão inteligente de ambientes com base na tecnologia IoT pode ser aplicado em prédios comerciais, residenciais, clubes, estádios, casas de show, shopping centers, igrejas, hospitais, hotéis, bancos, restaurantes, escolas, universidades, indústrias, aeroportos, fazendas, galpões, pátios, embarcações, automóveis, trens, aviões, helicópteros, elevadores, etc., além de outras residências/casas e condomínios de casas.
[0093] Diferentes disposições tanto daqueles objetos apresentados nos desenhos ou descritos acima quanto dos recursos e passos não mostrados ou descritos são possíveis. Similarmente, alguns recursos e subcombinações são úteis e podem ser usados sem referência a outros recursos e subcombinações. As formas de realização da invenção foram descritas para fins de ilustração e não de restrição e formas de realização alternativas se tomarão evidentes para leitores desta revelação. Consequentemente, a presente invenção não se limita às formas de realização descritas acima ou retratadas nos desenhos e inúmeras formas de realização e modificações podem ser realizadas sem se afastar do escopo das reivindicações abaixo.
GLOSSÁRIO
• Agente Coletor: software instalado na estação IoT para leitura/atuação, pré-processamento e transmissão de dados;
• Ambientes: prédios comerciais, residenciais, clubes, estádios, casas de show, shopping centers, igrejas, hospitais, hotéis, bancos, restaurantes, escolas, universidades, indústrias, aeroportos, fazendas, galpões, aviões, trens, embarcações, helicópteros, elevadores e automóveis;
• Billing: conta;
• Estação IoT: Estação de coleta, pré-processamento e transmissão de dados baseada na IoT, sensores, controle remoto e outros dispositivos.
• Feedbacks : respostas dadas pelos usuários a partir de insights gerados;
• Insights : dicas e/ou recomendações;
• KNN: K Nearest Neighbor ou K vizinhos mais próximos;
• PLN: Processamento de Linguagem Natural (PLN);
• SET POINT: valor analógico desejado;
• SVM: Support Vector Machine ou máquina de vetores de suporte.