J'ai laissé un LLM local contrôler mon thermostat pour voir s'il pouvait battre Nest et Ecobee

Les thermostats intelligents peuvent connaître vos habitudes, mais si votre routine change, vous ne pouvez pas simplement leur dire ce qui est différent et vous attendre à ce qu'ils s'adaptent. Si un grand modèle linguistique (LLM) faisait fonctionner mon chauffage, je serais capable de faire exactement cela. J'ai décidé de laisser un LLM prendre le contrôle de mon chauffage pendant une semaine pour voir comment il se compare aux thermostats intelligents populaires.

J'ai donné les clés de mon chauffage à un LLM local

Un simple brief au lieu d’un algorithme d’apprentissage

J'ai un système de chauffage intelligent Tado chez moi. Il dispose d'un module qui contrôle la chaudière, qui alimente mes radiateurs en eau chaude, et il y a également des thermostats intelligents sur certains radiateurs qui peuvent contrôler le chauffage de pièces individuelles. Le système est intégré à Home Assistant, je savais donc que je pourrais obtenir un LLM pour contrôler mon chauffage en envoyant les commandes pertinentes à ma maison intelligente.

L'idée était de créer un dossier à suivre pour le LLM, avec une explication de l'agencement de ma maison, de la rapidité avec laquelle chaque pièce se réchauffe en fonction des données passées, de ma routine typique de la semaine et du week-end, et plus encore.

Le plan était que toutes les 30 minutes, le LLM fonctionnerait et examinerait les données actuelles, telles que les températures ambiantes et les niveaux d'humidité. Il serait également capable de vérifier des éléments tels que la géolocalisation de nos téléphones pour déterminer qui était à la maison, ainsi que les données des capteurs de mouvement, des capteurs de présence et des proxys Bluetooth autour de ma maison, qui pourraient fournir des informations sur les pièces utilisées et celles qui étaient vides.

Le modèle déciderait ensuite quelles pièces avaient besoin de chaleur, quand elles en avaient besoin et quelle température elles devaient avoir. Un petit script déterminerait ensuite comment y parvenir en déterminant quand le chauffage devrait démarrer en fonction des données de taux de préchauffage précédentes. Le script enverrait ensuite les commandes pertinentes à mon système Tado via Home Assistant.

Quelques petits LLM ont été mis à l'épreuve

Les modèles de réflexion ne servaient à rien

La première chose que je devais faire était de choisir un modèle à exécuter. Je n'ai qu'un matériel modeste à utiliser, donc je n'allais pas pouvoir exécuter un énorme modèle d'IA avec des dizaines de milliards de paramètres. C'était bien, car je voulais vraiment voir ce qu'un LLM local fonctionnant sur du matériel typique pouvait gérer, j'ai donc configuré Ollama sur mon ancien Dell OptiPlex avec 16 Go de RAM.

J'ai testé différents modèles avec des scénarios construits à partir de données passées réelles de mon système Tado ainsi que de certaines situations hypothétiques. Des modèles tels que Granite 4 7B et Nemotron 3 Nano 4B ont pris moins de la moitié des décisions correctes, et les modèles dotés de la réflexion ont mis plus de 20 minutes pour prendre une décision, ce qui n'a servi à rien.

Le vainqueur a finalement été Qwen 3.5 9B, qui a obtenu 74 % de bonnes décisions et a mis entre deux et cinq minutes pour prendre une décision. C'était assez rapide, puisque la configuration ne nécessitait pas de décisions en une fraction de seconde.

Le LLM a pris en charge mon chauffage pendant quatre jours complets

Les résultats ont été mitigés

Une fois le modèle choisi et l'invite et le script en place, j'ai passé le week-end à faire des tests fantômes, où le modèle disait ce qu'il voulait, mais les commandes n'étaient jamais réellement envoyées à mon Tado. Avec quelques ajustements à l’invite, j’étais prêt à remettre les clés.

Du lundi au jeudi, le LLM était aux commandes. Toutes les 30 minutes, le modèle exécutait son invite, examinait les données et prenait des décisions sur l'endroit où le chauffage était nécessaire et quand, que le script envoyait ensuite à Home Assistant. Tado suivait son planning habituel, mais le LLM pouvait prendre le relais en mode manuel, outrepassant les plannings normaux.

Au cours de ces quatre jours, le LLM n'a pas réussi à prendre de décision à trois reprises, mais toutes les autres fois, des décisions ont été prises. Les résultats étaient parfois bons mais souvent très mauvais. Lundi, le modèle a correctement identifié l'allumage de la couverture chauffante comme un signal indiquant que nous allions bientôt nous coucher, mais au lieu de réchauffer la chambre immédiatement, il a demandé à Tado d'allumer le chauffage deux heures plus tard, puis l'a déplacé encore plus tard dans une décision ultérieure.

Mardi matin, il a élaboré un plan parfaitement adapté aux circonstances, mais une demi-heure plus tard, il a complètement oublié ce plan et le chauffage a donc démarré tardivement. J'ai été obligé de mettre à jour l'invite pour lui faire prendre en compte les décisions précédentes. Mercredi, il a chauffé une maison vide parce qu'un ancien appareil encore enregistré dans Home Assistant était bloqué sur « Home », ce qui était de ma faute, pas de celle du LLM.

Jeudi, j'ai testé la fonctionnalité que j'espérais être la plus utile. Vous ne pouvez pas dire à un Nest ou à un Ecobee que vos enfants ne sont pas à l'école et lui demander de déterminer un programme de chauffage différent, mais c'est exactement ce que je pourrais faire avec mon LLM. La configuration comportait une option de saisie de texte, dans laquelle j'expliquais que les enfants n'étaient pas à l'école toute la journée et seraient soit dans l'une des chambres d'enfants où se trouve la Nintendo Switch, soit dans le salon. Le LLM en a tenu compte dans son raisonnement, mais a ensuite fait exactement le contraire de ce qu'il aurait dû faire et a gardé l'autre chambre au chaud au lieu de la chambre où se trouve le Switch.

L'idée est bonne, mais elle nécessite plus de travail ou un meilleur matériel

Je suis limité par les modèles que je peux exécuter

Tout n’a pas été un échec complet. Le timing de préchauffage à partir des taux de préchauffage fournis était bon ; lorsqu'on leur a demandé, les pièces ont atteint la température souhaitée raisonnablement proche de celle prévue. Il y a eu des problèmes mardi et mercredi avec des pièces qui ne chauffaient pas, mais cela s'est avéré être un problème avec ma chaudière et non avec le LLM.

Ce qui s'est effondré, c'est l'élément clé du travail du LLM : déterminer qui utilise quelle pièce et quand, et décider quelles pièces nécessitent de la chaleur sur la base de ces informations. Elle comprenait ce qu’elle devait faire, mais très souvent elle ne parvenait tout simplement pas à agir en conséquence.

En tenant compte du temps plus doux, j'ai fini par utiliser plus d'énergie que ce que j'aurais fait au cours de quatre jours typiques, mais pas énormément. Le LLM était assez efficace pour maintenir les pièces dans une plage raisonnable, et il prenait également en compte l'humidité et le risque de moisissure pour décider de chauffer ou non les pièces vides.

Le problème était que les modèles que je pouvais exécuter sur mon matériel n'étaient tout simplement pas capables de prendre les décisions requises avec précision. Sur un meilleur matériel avec des modèles plus grands, cela pourrait être un moyen véritablement efficace de chauffer une maison et même de réduire les coûts de chauffage, mais ma version ne l'est certainement pas.

Il pourrait être possible d'améliorer les choses en demandant simplement au LLM de modifier le programme prédéfini de temps en temps plutôt que d'avoir un contrôle total. Je pourrais essayer cela à l’avenir, mais avec les prix de l’énergie aux niveaux actuels, je ne ressens pas vraiment le besoin d’expérimenter davantage pour le moment.

Les thermostats intelligents peuvent faire du très bon travail

Dans mon expérience, mon thermostat intelligent a fait un bien meilleur travail que le LLM local. L’idée de pouvoir utiliser les informations provenant d’appareils tels que des capteurs de présence et des proxys Bluetooth pour chauffer uniquement les pièces utilisées est une bonne idée, mais pas avec les modèles que je peux utiliser. Pour l'instant, mon Tado restera aux commandes.