ChatGPTとIoT実験：データウオッチの温度IoTデータを生成AIに分析させてみた

コラム

2023.11.16

※画像はDALL/E3にて生成してみました。

皆様、こんにちは！

今日は温度管理サービスデータウオッチと、ChatGPTでちょっとした実験から得られた驚きの結果を、ブログを通じてシェアしたいと思います。

文系で、プログラミングには手を出していない私ですが、最近のChatGPT4毎日触ってます。マジ凄いですよね。

今回試した手順

データ準備：まず、IoTデバイスからの温度ロガーデータを、データウオッチからCSVファイル形式でダウンロード
プロンプト＆CSVアップロード：ChatGPTに、CSVファイルと簡単な疑問やお願いを入力
自動分析：AIがデータを解析し、結果を提示
洞察の抽出：さらに、このデータから得たアイデアや、部分的な質問を実施

実験の舞台は、私たちのオフィス内

社内のカフェテリアに設置した温度ロガーを使って、冷蔵庫と冷凍庫の温度データをIoTで収集しました。コーヒーを飲みながら、データの海に潜り込む準備が整ったわけです。
（私たちのカフェテリアのコーヒー飲みに来てください（法人に限りますが）！）

データ準備完了

さて、データウオッチからデータを手に入れます。
（とりあえず1週間分にしてみました）

生成AIにデータを？？？という会社も多いので、ここでも機密情報がある場合は加工します。
今回は機種名、場所も一般名称でしたのでシリアル（A列）だけ削除しました。

センサー名なども、ダミーデータでマスキングしたりするのもありです。

エクセルデータA列を削除していざアップロード

次は分析の番

ChatGPTのCode Interpreter機能は有償版のGPT4ユーザーのみです。

これらのデータを分析してみましょう。ファイルをアップロードするだけで、Pythonを使った複雑な分析が簡単にできるんですから、技術の進歩は素晴らしい！

ま、Pythonなんて一文も読めないですし、書けないんですが。

ChatGPT4のコードインタープリタ（概要）

まず、ChatGPT4のCode Interpreter機能（Advanced data analysis）は、ファイルをアップロードすると、Pythonという言語で色々な分析をしてくれます。

プログラムのスキルが無い私でも使えちゃいます。生成AIの能力アドバンスドデータアナリシスを可能にするこの機能を使えば、複雑なデータセットから情報を抽出し、実用的なデータにすることもあります。

何はともあれ試してみる~CSVとプロンプトを入力

分析が始まり、処理やファイルにエラーが出たら勝手に直してます。今回はエンコード（今回はUTF-8へ変更）、空セルの削除と以下のように勝手に進んでいきます。

GPT：データの前処理が完了しました。以下の点を確認しました。

記録日時の列をdatetimeオブジェクトに変換しました。

欠損値が「品目」、「担当者」、「ワークグループ名」の列に存在することが確認されましたが、これらの列は分析に必要ないと判断し、無視することにします。

データを記録日時でソートしました。

グラフが出力され、更に勝手に進みます。

GPT：グラフから、各センサーの温度変動を確認することができます。一部のセンサーでは温度が急激に上昇している箇所が見られますが、これが霜取り（DF）と思われるタイミングかもしれません。

次に、ステップ4として霜取りのタイミングを分析します。具体的には、温度が平均より大きく上がるタイミングを探し出します。そのために、各センサーの温度データの平均と標準偏差を計算し、これをもとに霜取りと思われるタイミングを特定します。

色々質問してみます

霜取り（DF）タイミングはわかるのか？機器ごとにグラフ化して

GPT：グラフを再作成しました。各センサー（機器）ごとに平日の9時から16時の温度の傾向を示しています。赤い破線は霜取りと思われるタイミングを示しています。

これにより、開店時間から閉店時間までの期間における各機器の温度変動を詳しく確認することができます。特に、扉の開閉による温度の影響を確認することが可能です。

赤い線が庫内温度があがっている部分のようです。開店、昼休みにもドアの開閉はあるのですが、一定の法則がある事がわかります。

時間帯別の平均温度も作成して

コールドテーブル

0時台から5時台、17時台から23時台までの温度は非常に低く、-20℃前後を保っています。

6時台から16時台までの温度はやや高くなっており、特に9時台は-5.4℃となっています。

縦型冷蔵庫

一日を通して温度は比較的安定しており、5℃前後を保っています。

冷蔵庫、冷凍庫を時間帯別の平均でグラフ化してくれました。冷凍庫はやはり、DFがあるので多少の差は出ます。

しかし、頼んでないのに勝手に分析してくれるので、自分では気が付かない視点も発見できます。

また、「折れ線グラフにもして」と頼んだところ、しっかり作ってくれました。

その他、営業時間中のみ冷凍庫のみ等リクエストしても問題なく答えてくれます。

データ分析まとめ

更に、11月7日にでたGPTsでデータウオッチの分析専用GTPを作ってみたところ
より詳細なデータも出てきました。

標準温度（レギュレーション）を7℃までとして、超える割合を求めさせてみました。

永田：7℃を超えてしまった割合は？データは10分に1回取得している事から、概算時間を計算して全時間帯に占める割合を算出して。

GPTs

コールドテーブルの温度が7℃を超えた割合についての分析結果は以下の通りです。

7℃を超えた温度の記録の割合は、全体の約 0.56% です。

データが10分ごとに取得されていると仮定すると、7℃を超えた時間は約 40分 になります。

分析期間全体のデータ取得時間は 7170分 です。

したがって、7℃を超えた時間は全時間帯に占める割合は約 0.56% となります。

この結果から、コールドテーブルの温度はほとんどの時間で7℃以下に保たれていることがわかります。

GPTsにHACCPの指導もしてもらった

ついでに、様々な業界のHACCPを学習させているので指導もしてもらいました。

カフェでの食品安全管理、特にHACCP（ハザード分析重要管理点）の観点から注意すべきポイントと手順について説明しますね。

HACCPの注意点:

原材料の受け入れ: 供給元の信頼性を確保し、原材料が適切な温度や条件で運ばれていることを確認します。

保管: 冷蔵・冷凍品は推奨される温度で保管。温度管理はDataWatchなどの温度管理システムで行います。

十分な加熱: 肉や卵などの食品は、食品安全のために十分に加熱する必要があります。

十分な冷却: 加熱した食品は迅速に冷却して、細菌の増殖を防ぎます。

交差汚染の防止: 生の食品と調理済みの食品を別々に取り扱い、使用する器具やカウンターも分けます。

衛生的な調理環境: 調理スペースと器具を清潔に保ち、定期的に消毒します。

従業員の衛生管理: 手洗いや健康管理を徹底します。