地元の LLM にサーモスタットを制御させて、Nest と Ecobee に勝てるかどうかを確認してみました

スマート サーモスタットはユーザーの習慣を学習できますが、ルーチンが変わった場合、何が違うのかを伝えるだけで適応してくれると期待することはできません。大規模言語モデル (LLM) が私の暖房を実行しているとしたら、まさにそれができるでしょう。私は、LLM に暖房の制御を 1 週間任せて、一般的なスマート サーモスタットと比較してどうなるかを確認することにしました。

地元の LLM に暖房の鍵を渡しました

学習アルゴリズムではなく単純な概要

私の家には Tado スマート暖房システムがあります。ラジエーターに温水を供給するボイラーを制御するモジュールがあり、一部のラジエーターには個別の部屋の暖房を制御できるスマート サーモスタットもあります。このシステムはホーム アシスタントに統合されているため、関連するコマンドをスマート ホームに送信することで、LLM に暖房を制御させることができることがわかりました。

私のアイデアは、私の家のレイアウト、過去のデータに基づいて各部屋が暖まるまでの時間、私の典型的な平日と週末のルーチンなどの説明を含む、LLM が従うための概要を作成することでした。

計画では、LLM が 30 分ごとに実行され、室温や湿度レベルなどの現在のデータを確認するということでした。また、携帯電話からの地理位置情報などをチェックして誰が家にいたかを判断することもできるほか、自宅周辺のモーション センサー、存在センサー、Bluetooth プロキシからのデータをチェックして、どの部屋が使用中でどの部屋が空いているかに関する情報を提供することもできます。

次にモデルは、どの部屋が暖房を必要とするか、いつ必要か、どのくらい暖かくする必要があるかを決定します。次に、小さなスクリプトが、以前のウォームアップ速度データに基づいて加熱を開始する必要がある時期を決定することにより、これを実現する方法を見つけ出します。次に、スクリプトはホーム アシスタント経由で関連コマンドを Tado システムに送信します。

いくつかの小規模な LLM がテストされました

思考モデルは全く役に立たなかった

最初に行う必要があるのは、実行するモデルを選択することでした。私は使用できるハードウェアがそれほど多くないので、数百億のパラメータを持つ巨大な AI モデルを実行することはできませんでした。これは問題ありませんでした。私は一般的なハードウェアで実行されているローカル LLM が何を管理できるのかを実際に確認したかったので、16 GB の RAM を搭載した古い Dell OptiPlex に Ollama をセットアップしました。

Tado システムの過去の実際のデータといくつかの仮想状況を使用して構築されたシナリオを使用して、さまざまなモデルをテストしました。 Granite 4 7B や Nemotron 3 Nano 4B などのモデルでは、正しい意思決定が半分以下であり、思考が有効になっているモデルでは意思決定に 20 分以上かかり、まったく役に立ちませんでした。

最終的に勝者は Qwen 3.5 9B で、決定の 74% が正しく、決定に至るまでに 2 ～ 5 分かかりました。セットアップには一瞬の判断が必要なかったので、これは十分に高速でした。

LLM が丸 4 日間私の暖房を引き継ぎました

結果は賛否両論でした

モデルを選択し、プロンプトとスクリプトを準備したので、週末をシャドウ テストに費やしました。モデルは必要なことを言いましたが、コマンドが実際に Tado に送信されることはありませんでした。プロンプトにいくつかの調整を加えることで、キーを渡す準備が整いました。

月曜日から木曜日まで、LLM は完全に制御していました。モデルは 30 分ごとにプロンプ​​トを実行し、データを確認して、暖房が必要な場所と時期を決定し、それをスクリプトがホーム アシスタントに送信しました。 Tado は通常のスケジュールを実行しましたが、LLM が手動モードで引き継ぎ、通常のスケジュールをオーバーライドする可能性がありました。

この 4 日間で、LLM は 3 回決定を下せませんでしたが、それ以外の場合はすべて決定が下されました。結果は良い場合もありましたが、多くの場合非常に悪かったです。月曜日、モデルは、電気毛布がオンになっているのが、もうすぐ寝るという合図であることを正しく認識しましたが、寝室をすぐに暖めるのではなく、2時間後に暖房をオンにするようにタドに指示し、その後の決定でこれをさらに遅らせました。

火曜日の朝、状況に応じて完璧な計画を立てましたが、30分後にはその計画を完全に忘れたため、暖房の投入が遅れました。以前の決定を考慮するためにプロンプ​​トを更新する必要がありました。水曜日、ホームアシスタントに登録されたままの古いデバイスが「ホーム」に表示されなくなったため、空き家が熱くなりました。これはLLMのせいではなく、私のせいでした。

木曜日、私は最も便利だと思われる機能をテストしました。 Nest や Ecobee に子供たちが学校を休みであることを伝えて、別の暖房スケジュールを考えさせることはできませんが、LLM を使えばまさにそれができます。セットアップにはテキスト入力オプションがあり、子供たちは一日中学校を休み、Nintendo Switchが置かれている子供部屋のいずれか、またはリビングルームにいるだろうと説明しました。 LLM はこれを推論に織り込みましたが、本来行うべきこととはまったく逆のことを行い、スイッチのある寝室の代わりに他の寝室を暖かく保ちました。

アイデアは正しいですが、より多くの作業またはより優れたハードウェアが必要です

実行できるモデルが限られている

すべてが完全な失敗だったわけではありません。供給されたウォームアップ速度からの予熱タイミングは良好でした。尋ねると、部屋はほぼ予定通りに希望の温度に達しました。火曜日と水曜日に部屋が暖まらないという問題がありましたが、これはLLMではなくボイラーに問題があることが判明しました。

失敗したのは、LLM の仕事の重要な部分でした。それは、誰がどの部屋をいつ使用しているかを把握し、この情報に基づいてどの部屋に暖房が必要かを決定することでした。何をする必要があるかは理解していましたが、多くの場合、それに基づいて行動できませんでした。

穏やかな天候に合わせて調整したため、通常の 4 日間で行うよりも多くのエネルギーを使用することになりましたが、それほど大きな量ではありませんでした。 LLM は部屋を適切な範囲に保つのに非常に優れており、空の部屋を暖房するかどうかを決定する際に湿度とカビのリスクも考慮しました。

問題は、私のハードウェアで実行できるモデルが、必要な決定を正確に行うことができないことでした。より大きなモデルを備えたより優れたハードウェアでは、これは家を暖める真に効果的な方法であり、暖房費を削減することさえできるかもしれませんが、私のバージョンは間違いなくそうではありません。

LLM に完全に制御するのではなく、あらかじめ設定されたスケジュールを時々変更するよう依頼するだけで、状況を改善できる可能性があります。将来的にはそれを試すかもしれませんが、エネルギー価格が現在の水準にあるため、今はこれ以上実験したいという強い衝動は感じません。

スマートサーモスタットはかなり良い仕事をすることができます

私の実験では、スマート サーモスタットは、ローカルの LLM よりもはるかに優れた働きをしました。存在センサーや Bluetooth プロキシなどのデバイスからの情報を使用して、使用中の部屋のみを暖房できるというアイデアは良いものですが、私が実行できるモデルではそうではありません。当面は私の田渡が担当します。