1.8 KiB
Verhaltenslernen und Vorhersage
Seit v0.5.0 ist der produktive Lernpfad aktor-zentriert. Nutzer wählen nur
einen Aktor; Sensoren, Kontext und Modelle werden automatisch verwaltet.
Datengrundlage
Für jeden Aktor lädt SillyHome Next:
- dessen Zustandswechsel aus der Home-Assistant-Historie
- Logbook-Einträge zur Herkunft der Handlung
- automatisch zugeordnete Mess- und Kontext-Entities
- deren Zustand zum Zeitpunkt der Handlung
Eindeutig einem Home-Assistant-Benutzer zugeordnete Handlungen erhalten das höchste Gewicht. Erkannte Automations- und Script-Aktionen werden verworfen. Physische oder nicht eindeutig zuordenbare Bedienungen dürfen das Shadow-Modell ergänzen, reichen allein aber nicht zur Aktivierung.
Modell
Das lokale Modell speichert pro beobachteter Handlung:
- Zielzustand
- lokale Tageszeit
- Wochentag
- Kontextzustände
- Herkunft und Gewicht
Eine Vorhersage bewertet zeitliche Nähe, Wochentagsmuster und aktuellen Kontext. Mehrere passende historische Handlungen erhöhen die Confidence.
Betriebsstufen
collecting: Noch nicht genügend Handlungen vorhanden.shadow: Modell ist trainiert; Vorhersagen werden angezeigt, aber nicht ausgeführt.active: Nutzer hat den Aktor ausdrücklich freigegeben.
Die Aktivierung verlangt genügend eindeutig einem Benutzer zugeordnete
Handlungen. Ausgeführt werden nur erlaubte Zustände reversibler Domains:
light, switch, fan, humidifier und cover.
Schutzmechanismen
- explizite Freigabe pro Aktor
- konfigurierbare Mindestkonfidenz
- Cooldown zwischen Schaltungen
- keine Ausführung bei bereits erreichtem Zielzustand
- keine Ausführung unbekannter Zustände oder riskanter Domains
- eigene Schaltungen werden beim nächsten Training herausgefiltert
- bekannte Automation-/Script-Aktionen werden nicht als Nutzerverhalten gelernt