AI w Smart Home, część 6: Dom, który zauważa - wykrywanie anomalii zamiast sztywnych progów
Szósta część mini-serii o AI w smart home. Uczymy dom rozpoznawania odchyleń od własnej normy: od statystyk wbudowanych w Home Assistant, przez reguły domenowe, po model językowy jako cyklicznego analityka danych.
Sztywny próg wykryje przekroczenie ustalonej temperatury, ale nie wykryje lodówki, która umiera powoli, ani pompy, która chodzi o 20% dłużej niż miesiąc temu. Pożar wykrywa certyfikowany, autonomiczny czujnik dymu lub temperatury - próg 28 stopni z sensora pokojowego nie jest zabezpieczeniem pożarowym. W tej części pokazujemy, jak nauczyć dom rozpoznawania odchyleń od własnej normy - od prostych statystyk w Home Assistant po cykliczną analizę danych modelem językowym.
Czego nie widzi sztywny próg
Progi są świetne dla zdarzeń zero-jedynkowych: zalanie, dym, otwarte drzwi po 23:00. Tam nie ma czego interpretować i pisaliśmy o tym w części o automatyzacjach - prosta reguła wygrywa.
Problem w tym, że większość awarii domowych nie wygląda jak skok. Wygląda jak trend. Lodówka u Julii przez sześć tygodni podniosła dobowe zużycie z 0,7 kWh do 1,0 kWh - żadnego progu po drodze nie przekroczyła, bo każdy rozsądny próg byłby ustawiony wyżej. Sprężarka po prostu pracowała coraz dłuższymi cyklami, aż w końcu przestała nadążać. Gdyby dom porównywał bieżący tydzień ze swoją normą, alarm przyszedłby miesiąc przed zepsutymi zakupami.
Dobre pytanie nie brzmi “czy wartość przekroczyła próg”, tylko “czy to jest normalne dla tego domu, o tej porze, w tym sezonie”.
Norma domu, czyli linia odniesienia
Żeby wykrywać odchylenia, dom musi najpierw wiedzieć, co jest normą. Dobra wiadomość: jeśli masz Home Assistant z czujnikami energii i temperatury, dane historyczne już zbierasz. Zła wiadomość: norma nie jest jedną liczbą. Zużycie energii w styczniu i w lipcu to dwa różne światy, poniedziałek różni się od niedzieli, a tydzień z gośćmi od tygodnia wyjazdu.
Dlatego sensowna linia odniesienia porównuje podobne do podobnego: dzisiejszą dobę do średniej z ostatnich 30 dób, bieżący cykl urządzenia do średniej długości jego cykli, zużycie wtorku do zużycia poprzednich wtorków. Im węższe porównanie, tym mniej fałszywych alarmów.
Poziom 1: statystyka bez AI
Zanim sięgniesz po model językowy, wyciśnij to, co Home Assistant ma wbudowane. Integracja statystyk liczy średnią kroczącą i odchylenie standardowe z dowolnego sensora, sensor pochodnej pokazuje tempo zmian, a sensor trendu zamienia kierunek zmian na prosty stan binarny.
Przykład dla lodówki: sensor dobowego zużycia plus 30-dniowa średnia krocząca i jedna automatyzacja porównująca obie wartości.
sensor:
- platform: statistics
name: "Lodowka - srednia dobowa 30 dni"
entity_id: sensor.lodowka_energia_doba
state_characteristic: mean
max_age:
days: 30Automatyzacja wysyła powiadomienie, gdy dzisiejsza doba przekracza średnią o więcej niż 25% przez trzy dni z rzędu. Te trzy dni są ważne - pojedynczy gorący dzień, w którym drzwi lodówki chodziły co chwilę, to nie anomalia, to życie. Warunek utrzymania się odchylenia to najtańszy filtr fałszywych alarmów, jaki znamy.
Ten sam wzorzec działa dla pompy cyrkulacyjnej. U nas pompa ciepłej wody pracowała historycznie średnio 4,5 godziny na dobę. Gdy zaczęła chodzić 5,5 godziny - o 20% dłużej przy tej samej pogodzie i tych samych nawykach domowników - statystyka zgłosiła odchylenie po czterech dniach. Przyczyną okazało się zapowietrzenie instalacji, naprawione w kwadrans. Bez porównania z normą nikt by tego nie zauważył, bo pompa działała, woda była ciepła, a różnicy w rachunku jeszcze nie było widać.
Warunek wejścia na ten poziom jest jeden: pomiar. Gniazdko z pomiarem energii za kilkadziesiąt złotych na lodówce, pompie czy bojlerze daje dane, z których statystyka dopiero może coś wyczytać. Bez czujnika nie ma normy, bez normy nie ma anomalii.
Poziom 2: porównania w czasie i proste reguły domenowe
Drugi poziom to reguły, które łączą dwa sygnały i odrobinę wiedzy o fizyce domu. Klasyk: otwarte okno kontra ogrzewanie. Żaden pojedynczy próg tego nie złapie, ale reguła “głowica termostatyczna grzeje na 100%, a temperatura w pokoju spada o ponad 1,5 stopnia w 20 minut” łapie to bezbłędnie - i przy okazji wykryje też okno uchylone przez dziecko, o którym kontaktron nic nie wie, bo go tam nie ma.
Podobnie bojler: jeśli czas nagrzania wody od 40 do 55 stopni wydłużył się z 50 do 70 minut przy tej samej mocy grzałki i porównywalnych warunkach, to sygnał do diagnostyki. Przyczyną może być kamień na grzałce, ale też inna temperatura wody na wejściu, większy pobór ciepłej wody, błąd czujnika albo problem z grzałką. Dom nie musi rozstrzygać chemii - wystarczy, że porówna bieżący czas grzania ze swoją historią i zgłosi trend wzrostowy utrzymany przez kilka tygodni.
Wzorce obecności: anomalia to nie zawsze awaria
Odchylenia od normy dotyczą nie tylko urządzeń, ale i rytmu domu. Dom zna typowe godziny powrotów, włączania świateł, otwierania drzwi. Garażowa brama otwarta o 3:20, światło w piwnicy świecące się od 14 godzin, drzwi tarasowe otwierane w dzień roboczy, gdy nikogo nie powinno być w domu - żadne z tych zdarzeń nie przekracza progu, bo progu na “dziwność” nie ma. Wszystkie są odchyleniem od wzorca.
Tu jednak ostrożność musi być większa niż przy lodówce. Wzorce obecności dotyczą ludzi, a ludzie mają prawo do spontaniczności. Nocny powrót z imprezy nie powinien generować alarmu jak włamanie. Dlatego dla obecności rekomendujemy wyłącznie powiadomienia informacyjne o niskim priorytecie i tylko dla zdarzeń, które łączą dwa sygnały: drzwi otwarte plus wszyscy domownicy poza domem to sensowny sygnał, samo “nietypowo późne światło” to już nadgorliwość.
Poziom 3: LLM jako analityk cykliczny
Tu zaczyna się warstwa AI (głos Grzegorza). Model językowy nie powinien oglądać każdego odczytu na żywo - to drogie, wolne i niepotrzebne. Najlepszy wzorzec to cykliczne podsumowania: raz dziennie albo raz w tygodniu automatyzacja zbiera zagregowane dane (dobowe zużycia, liczby i długości cykli urządzeń, czasy grzania, wzorce obecności) i wysyła je do modelu z pytaniem o odchylenia.
Prompt powinien wymuszać konkret: porównaj bieżący tydzień z poprzednimi czterema, wypisz maksymalnie trzy obserwacje, każdą z liczbą i możliwym wyjaśnieniem, nie zgaduj przyczyn, których nie widać w danych. Wynik trafia jako powiadomienie albo wpis na panelu, o którym pisaliśmy w części o dashboardach.
Przykład z naszego tygodniowego raportu: “Zużycie czuwania nocnego wzrosło z 95 W do 128 W od 12 dni. Bojler: czas grzania stabilny. Lodówka: w normie. Sugestia: coś zostało włączone na stałe około 1 lipca - sprawdź gniazdka w gabinecie i garażu”. Winowajcą okazała się zapomniana stacja lutownicza. Stałe 33 W przez pół roku to około 145 kWh; koszt policz według własnej pełnej stawki za energię. Żadna reguła progowa tego nie widziała, bo 128 W to nadal bardzo mało.
Przewaga modelu nad regułami z poziomów 1-2 jest dokładnie tam, gdzie reguł nie napisaliśmy. Model dostaje cały obraz i potrafi zauważyć, że pralka chodziła w nocy, czego nigdy wcześniej nie robiła, albo że zużycie czuwania domu wzrosło o 30 W od zeszłego tygodnia - czyli coś zostało włączone i zapomniane. Reguła wykrywa to, co przewidzieliśmy. Model bywa dobry w tym, czego nie przewidzieliśmy.
Gradacja podejść w jednej tabeli
| Poziom | Narzędzie | Co wykrywa | Koszt i wysiłek |
|---|---|---|---|
| Próg | Zwykła automatyzacja | Zdarzenia ostre: zalanie, mróz, brak prądu | Minuty, zero kosztów |
| Statystyka | Średnia krocząca, odchylenie, trend | Powolne trendy pojedynczego urządzenia | Godzina na urządzenie |
| Reguły domenowe | Porównanie dwóch sygnałów | Okno przy grzaniu, kamień w bojlerze | Wymaga pomysłu, nie sprzętu |
| LLM cyklicznie | Dobowe/tygodniowe podsumowania | Odchylenia, których nie przewidziałeś | Grosze za zapytanie lub lokalny model |
Kolejność nie jest przypadkowa. Każdy poziom filtruje dane dla następnego - model językowy czytający surowe odczyty co minutę to antywzorzec, model czytający tygodniowy agregat to tani, sensowny analityk.
Fałszywe alarmy: największy wróg zaufania
System wykrywania anomalii umiera nie wtedy, gdy czegoś nie wykryje, tylko wtedy, gdy domownicy przestaną czytać jego powiadomienia. Trzy zasady, które utrzymały nasz system przy życiu:
- Odchylenie musi się utrzymać. Jeden dziwny dzień to szum. Trzy dni z rzędu albo trzy cykle z rzędu to sygnał.
- Kontekst wycisza. Tryb gościa i tryb urlopu znasz z poprzednich części serii - tutaj powinny podnosić progi albo wyciszać porównania, bo dom z gośćmi ma inną normę.
- Sezon ma znaczenie. Porównuj lipiec z czerwcem, nie ze styczniem. Najprościej: okno porównania maksymalnie 4-6 tygodni wstecz.
I jedna zasada nadrzędna: powiadomienie o anomalii ma być pytaniem, nie wyrokiem. “Lodówka zużywa o 28% więcej niż jej miesięczna norma, trzeci dzień z rzędu - warto sprawdzić uszczelkę i szron” jest użyteczne. Automatyczne wyłączenie lodówki, bo model uznał ją za zepsutą, byłoby dokładnie tym rodzajem autonomii, przed którym ostrzegamy w całej serii.
Podsumowanie
Sztywne progi zostawiamy zdarzeniom ostrym, a degradację łapiemy porównaniem z normą domu. Zacznij od jednego urządzenia z mierzalnym cyklem - lodówka i bojler to wdzięczni pacjenci - i od statystyki wbudowanej w Home Assistant, bez żadnego AI. Reguły domenowe dodaj tam, gdzie znasz fizykę problemu, a model językowy zatrudnij dopiero jako cyklicznego analityka agregatów, który wyłapie to, czego nie przewidziałeś. Miarą sukcesu nie jest liczba alarmów, tylko to, że pierwszy prawdziwy złapiesz miesiąc przed awarią.