Tình huống giả định – Bài viết hoàn toàn hư cấu, chỉ nhằm mục đích minh họa kỹ thuật.

Hà Nội, tháng 3/2025. Thị trường BMS Việt Nam đang nóng lên rõ rệt sau hai năm gặp khó khăn với giá điện tăng và các quy định ESG từ quỹ đầu tư nước ngoài. Nhiều chủ đầu tư tòa nhà Grade B tại TP.HCM bắt đầu đặt câu hỏi: “Có cách nào giảm 15-20% điện năng mà không cần thay toàn bộ hệ thống cũ không?” Câu trả lời thường là thử nghiệm LLM, nhưng ít ai dám thực hiện.

Câu chuyện dưới đây là hành trình 90 ngày thử nghiệm tích hợp LLM vào BMS của một tòa nhà văn phòng Grade B tại Quận 7 – hoàn toàn giả định.

Giai đoạn 1 – Thí điểm (Ngày 1-30): LLM có hiểu dữ liệu cảm biến không?

Tòa nhà có 8 tầng, hệ thống BMS cũ sử dụng BACnet/IP kết hợp Modbus RTU qua gateway. Đội ngũ vận hành chỉ cho LLM đọc dữ liệu từ 3 tầng, không cho phép điều khiển trực tiếp. Dữ liệu được đẩy qua MQTT broker rồi đưa vào context window 8k token.

LLM (phiên bản tinh chỉnh nhẹ trên Llama-3-70B) nhận chuỗi JSON chứa nhiệt độ, CO₂, occupancy và set-point hiện tại. Prompt engineering được thiết kế theo kiểu chain-of-thought kết hợp ràng buộc:

“Bạn là BMS controller. Chỉ được xuất lệnh nếu confidence > 85%. Nếu dữ liệu thiếu, giữ nguyên set-point. Không được bịa đặt giá trị.”

Kết quả ban đầu khá ổn định. LLM nhận diện được mẫu hành vi “sau 17h30 tầng 5 vắng người → giảm AHU 30%” nhanh hơn rule-based 4-6 phút. Tiết kiệm điện tầng thí điểm đạt khoảng 11% trong hai tuần đầu.

Tuy nhiên, hallucination đầu tiên đã xuất hiện: một ngày hệ thống occupancy bị nhiễu, LLM tự suy luận rằng tầng đang đông người và đẩy set-point xuống 22°C, khiến AHU chạy full tải lúc 22h. May mắn là lệnh vẫn bị chặn ở lớp middleware.

Giai đoạn 2 – Mở rộng (Ngày 31-60): Tòa nhà mới dễ, tòa nhà cũ khó

Sang tháng thứ hai, đội ngũ mở rộng sang 5 tầng còn lại. Sự khác biệt giữa tòa mới và tòa retrofit trở nên rõ ràng. Tòa mới có API REST mở, dễ expose sensor data theo chuẩn Brick Schema. Tòa cũ phải qua BACnet/IP object polling, latency thêm 800-1200ms và hay mất gói.

Prompt engineering được nâng cấp với phần “Grounding” yêu cầu LLM trích dẫn sensor ID và timestamp trước khi quyết định. Đồng thời áp dụng Retrieval-Augmented Control – LLM chỉ được tham chiếu rule engine cũ.

Ở giai đoạn này, LLM tỏ ra vượt trội ở khả năng tối ưu theo hành vi người dùng. Hệ thống nhận diện được nhóm nhân viên tầng 3 hay ở lại đến 20h và tự động giữ ánh sáng khu vực pantry ở mức 300 lux. Tiết kiệm điện chiếu sáng tăng thêm 7% so với lịch trình cố định.

Giai đoạn 3 – Đánh giá (Ngày 61-90): Số liệu nói gì?

Ba tháng sau, đội ngũ tổng hợp dữ liệu và so sánh với mô hình dự đoán tải điện truyền thống (ARIMA + physics-based model).

Bảng tóm tắt (số liệu giả định từ thử nghiệm):

Tiêu chí	LLM (Thí điểm + Mở rộng)	Rule-based + Physics model	Ghi chú
Độ chính xác dự đoán tải điện	78-82%	89-91%	LLM kém hơn khi dữ liệu sensor nhiễu
Độ trễ điều khiển trung bình	1,9-2,7 giây	120-180 ms	Không phù hợp control vòng kín nhanh
Chi phí token/tháng (ước tính)	~180-220 USD	~0	Tăng mạnh khi context >12k token
Tỷ lệ hallucination gây sai lệch	2,8% (đã chặn middleware)	0%	Chủ yếu xảy ra khi occupancy bất thường
Khả năng tối ưu hành vi người dùng	Cao	Thấp	LLM vượt trội ở pattern phi tuyến
Tích hợp BACnet/IP/Modbus	Cần gateway + middleware	Native	Tòa cũ retrofit tốn kém hơn

Khuyến nghị thực tế tại Việt Nam

LLM hiện tại phù hợp nhất với các tòa nhà mới xây có API mở, dùng để tối ưu dài hạn như energy dashboard, demand response, occupancy-based ventilation chứ không phải điều khiển thời gian thực HVAC hay chiếu sáng. Với tòa cũ cần retrofit, nên giữ rule engine truyền thống làm lớp an toàn, chỉ dùng LLM ở lớp phân tích và gợi ý set-point.

Prompt engineering cần cực kỳ chặt chẽ: ràng buộc rõ ràng, grounding sensor ID, và luôn có lớp middleware validate lệnh trước khi gửi xuống controller. Chi phí token và độ trễ vẫn là hai rào cản lớn nhất trong bối cảnh giá điện và hạ tầng mạng Việt Nam năm 2025.

Tóm lại, 90 ngày thí nghiệm cho thấy LLM không phải “thần dược”, mà chỉ là một công cụ mạnh ở một số ngữ cảnh nhất định – và cực kỳ tốn kém nếu dùng sai chỗ. Tất cả số liệu và sự kiện trong bài đều là giả định, người đọc cần tự đánh giá và kiểm chứng trước khi áp dụng vào thực tế.