건물에서 신뢰할 수 있고 투명한 자동화된 에너지 관리를 위한 설명 가능한 AI 프레임워크

인공지능(AI)의 건물 에너지 관리 시스템(BEMS) 통합이 증가함에 따라 실시간 모니터링, 예측 분석 및 자동 제어를 가능하게 하여 에너지 최적화를 혁신하고 있습니다. 이러한 발전은 에너지 효율성과 지속 가능성을 향상시키지만, AI 모델의 불투명성은 해석 가능성에 도전 과제를 제기하여 사용자 신뢰를 제한하고 운영 의사 결정에서 널리 채택되는 것을 방해하고 있습니다. 투명성을 보장하는 것은 AI 통찰력을 건물 성능 요구 사항 및 규제 기대치와 일치시키는 데 중요합니다. 이 논문은 지능형 자동화된 BEMS의 해석 가능성을 향상시키기 위해 설계된 새로운 설명 가능한 인공지능(XAI) 프레임워크인 EI-Build를 소개합니다. EI-Build는 샤플리 가감 설명(SHAP), 지역 해석 가능한 모델 비이상 설명(LIME), 앵커, 부분 의존도 플롯, 특성 순열 중요도 및 상관 기반 통계 분석 등 여러 XAI 기법을 통합하여 모델 동작에 대한 포괄적인 설명을 제공합니다. EI-Build는 설명의 형식과 깊이를 동적으로 조정하여 일반 거주자부터 에너지 전문가 및 기계 학습 전문가에 이르기까지 다양한 사용자 프로필에 대해 통찰력이 접근 가능하고 실행 가능하게 유지되도록 보장합니다. 실제 BEMS 맥락에 적용된 태양광 발전 예측에 대한 사례 연구는 EI-Build가 전역 및 국소 설명을 제공하고, 특성 의존성을 검증하며, 해석 가능성 기법 간의 교차 비교를 용이하게 하는 능력을 평가합니다. 결과는 EI-Build가 사용자 신뢰를 향상시키고, 정보에 기반한 의사 결정을 촉진하며, 모델 검증을 개선하는 방법을 강조합니다. 다양한 XAI 방법을 단일 자동화 프레임워크로 통합함으로써 EI-Build는 복잡한 AI 에너지 모델과 실제 응용 프로그램 간의 격차를 해소하는 데 중요한 발전을 나타냅니다.