Artificial Intelligence menggunakan Golang

Final Project AI-Powered Smart Home Energy Management System

Description

Kamu akan mengembangkan Sistem Manajemen Energi Rumah Pintar menggunakan Golang dan model AI Tapas dari Huggingface Model Hub. Sistem ini akan memprediksi dan mengelola penggunaan energi dalam lingkungan rumah pintar. Aplikasi ini akan menerima data tentang penggunaan energi rumah dan memberikan wawasan dan rekomendasi tentang cara mengoptimalkan konsumsi energi.

Sistem Manajemen Energi ini merupakan sebuah Web App server yang dibangun menggunakan Golang. Dimana sistem menerima input berupa satu file dengan format CSV yang berisi penggunaan energi di rumah. Kita asumsikan data ini dikirim oleh server IoT yang dimiliki di rumah.

Dari data yang diupload tersebut maka kita bisa berkonsultasi terkait penggunaan and potensi penghematan energi dengan sebuah chatbot.

Fitur:

• Prediksi Konsumsi Energi: Sistem ini akan memprediksi konsumsi energi rumah berdasarkan data historis.

• Rekomendasi Penghematan Energi: Sistem ini akan memberikan rekomendasi tentang cara menghemat energi berdasarkan konsumsi energi yang diprediksi.

Data input dalam bentuk format CSV dengan kolom berikut:

• Date: Tanggal data penggunaan energi.
• Time: Waktu data penggunaan energi.
• Appliance: Nama alat.
• Energy_Consumption: Konsumsi energi alat dalam kWh.
• Room: Ruang tempat alat berada.
• Status: Status alat (On/Off).

Contoh:

Date,Time,Appliance,Energy_Consumption,Room,Status
2022-01-01,00:00,Refrigerator,1.2,Kitchen,On
2022-01-01,01:00,Refrigerator,1.2,Kitchen,On
...
2022-01-01,08:00,TV,0.8,Living Room,Off
2022-01-01,09:00,TV,0.8,Living Room,On
2022-01-01,10:00,TV,0.8,Living Room,On
...

Untuk contoh, kalian bisa menggunakan file yang telah disiapkan data-series.csv.

Penggunaan Model AI:

Model AI Tapas tapas-base-finetuned-wtq akan digunakan untuk memahami data tabel dan membuat prediksi tentang konsumsi energi masa depan. Model ini akan menerima file CSV sebagai input dan menghasilkan data berupa alat yang paling banyak menggunakan energi dan alat yang paling sedikit menggunakan energi.

Contoh untuk interface sudah diberikan di folder frontend. Untuk menjalankannya kamu perlu memanggil npm install diikuti oleh npm start. Interface frontend ini akan terkoneksi ke backend pada port 8080. Lakukan modifikasi jika kamu menggunakan port selain itu.

Interface untuk aplikasi ini pada awalnya menerima satu file upload yang kemudian akan diproses menggunakan tapas-base-finetuned-wtq dan langsung memberikan informasi mengenai alat rumah tangga dengan penggunaan listrik tertinggi dan terendah. Tersedia juga satu input field untuk chat. Silahkan dikembangkan sehingga mirip dengan chatbot dimana user bisa bertanya mengenai data-data yang ada di file input.

Silahkan menggunakan model AI dari Hugging Face Hub untuk membuat aplikasi ini lebih menarik, misal-nya dengan menambahkan model AI microsoft/Phi-3.5-mini-instruct agar bisa memberikan rekomendasi penghematan energi.

Constraints

Untuk Frontend tidak dinilai, jadi silahkan berkreasi sekreatif mungkin. Frontend juga boleh digunakan boleh tidak.

Kalian perlu membuat HuggingFace Token terlebih dahulu untuk bisa menggunakan model AI yang terdapat di Huggingface. Token ini kemudian akan kalian simpan pada file .env

Untuk pengerjaan, kalian diberikan file berikut:

• main.go - Berisi kode utama untuk aplikasi.
• model/model.go - Berisi struktur data yang digunakan pada aplikasi.
• repository/fileRepository.go - Berisi process terkait pembacaan, penulisan dan pengecekan file yang diupload.
• service/ai_service.go - Berisi kode untuk melakukan interaksi dengan AI model.
• service/file_service.go - Berisi kode untuk melakukan upload file.

Berikut penjelasan mengenai bagian apa yang kalian harus kerjakan. main.go Pada file main.go maka kalian wajib menyelesaikan dua handler yang tersedia, untuk endpoint /upload dan /chat. Keduanya akan menghasilkan output berupa JSON dengan struktur berikut: {"status": "success", "answer": "some response"}. Key berupa "status" dan "answer".

Pada endpoint /upload maka kalian perlu melakukan proses upload dan analisa data. Jadi ada 2 proses di sini, bukan hanya melakukan upload. Jika berhasil maka akan menghasilkan output dalam bentuk string: From the provided data, here are the Least Electricity: TV and the Most Electricity: EVCar. Catatan: Output ini hanya contoh berdasarkan data-series.csv yang diberikan. Jika kalian membuat data sendiri maka jawabannya bisa jadi berbeda dan bukan TV dan/atau EVCar.

Pada endpoint /chat maka kalian akan melakukan chat dengan model AI. Untuk model AI dibebaskan, untuk referensi, kalian bisa menggunakan microsoft/Phi-3.5-mini-instruct.

• service/file_service.go Pada service ini, kalian akan mengisi kode untuk function ProcessFile dimana function menerima isi dari file dalam bentuk string untuk kemudian diproses menjadi map of string. Ingat struktur data mengikuti model.go.

• service/ai_service.go Pada service ini, kalian akan mengisi kode untuk function AnalyzeData dan ChatWithAI dimana untuk AnalyzeData kalian akan berkomunikasi dengan AI model tapas-base-finetuned-wtq. Output-nya akan berupa teks jawaban dari AI model. Sedangkan untuk ChatWithAI maka kalian akan berkomunikasi dengan AI model Chat yang kalian pilih. Output-nya sama berupa teks jawaban dari AI model. Ingat struktur data mengikuti model.go.

Silahkan membuat function-function lain yang kalian perlukan.

Test Case Examples

Test Case 1 Valid CSV Data

Input:

"Name,Age\nJohn,30\nDoe,40"

Expected Output / Behavior:

{ "Name": ["John", "Doe"], "Age": ["30", "40"] }

Explanation:

Fungsi ProcessFile menerima string dari file CSV sebagai input dan mengembalikan map di mana key-nya adalah header kolom dan valuenya adalah data untuk setiap kolom. Dalam hal ini, string CSV input memiliki dua kolom "Name" dan "Age", dan dua baris data "John, 30" dan "Doe, 40". Fungsi ini harus mengembalikan map dengan dua data. Data pertama harus memiliki key "Name" dan value ["John", "Doe"], dan key kedua harus memiliki key "Age" dan value ["30", "40"].

Test Case 2 Empty CSV Data

Input:

""

Expected Output / Behavior:

Fungsi ini harus mengembalikan error yang mengindikasikan bahwa CSV file tidak ada isinya.

Explanation:

Fungsi ProcessFile menerima string dari file CSV sebagai input dan mengembalikan pesan error karena isi file kosong.

Test Case 3 File CSV tidak memiliki header row

Input:

"John,30\nDoe,40"

Expected Output / Behavior:

Fungsi ini harus mengembalikan error yang mengindikasikan bahwa CSV file tidak valid karena tidak memiliki header row.

Explanation:

Fungsi ProcessFile menerima string dari file CSV sebagai input dan mengembalikan pesan error karena tidak terdapat header row.

Test Case 4 Data tidak valid

Input:

"Name,Age\nJohn,30\nDoe"

Expected Output / Behavior:

Fungsi ini harus mengembalikan error yang mengindikasikan bahwa CSV file gagal diproses.

Explanation:

Fungsi ProcessFile menerima string dari file CSV sebagai input dan mengembalikan pesan error karena ada kolom yang tidak memiliki isi.

Test Case 6 AnalyzeData berhasil

Input:

{
    "table": {
        "Name": ["John", "Doe"],
        "Age": ["30", "40"]
    },
    "query": "What is the age of John?"
    "token": "token"
}

Expected Output / Behavior:

30

Explanation:

Fungsi AnalyzeData menerima table, query dan Huggingface Token sebagai input dan mengembalikan jawaban berupa dari query "Berapa umur John?". Fungsi ini harus mengembalikan jawaban "30", yang didapatkan dari koordinat [[0, 1]], sel ["30"], dan aggregator.

Test Case 7 AnalyzeData dengan data tabel kosong

Input:

{
    "table": "",
    "query": "What is the age of John?"
    "token": "token"
}

Expected Output / Behavior:

Fungsi ini harus mengembalikan error yang mengindikasikan bahwa data table kosong.

Explanation:

Fungsi AnalyzeData menerima table, query dan Huggingface Token sebagai input dan mengembalikan error karena data table kosong.

Test Case 8 AnalyzeData gagal mendapatkan response dari AI model

Input:

{
    "table": {
        "Name": ["John", "Doe"],
        "Age": ["30", "40"]
    },
    "query": "What is the age of John?"
    "token": "token"
}

Expected Output / Behavior:

Fungsi ini harus mengembalikan error yang disebabkan oleh gagal-nya AI model menjawab, bisa karena koneksi internet atau AI model tidak memberikan jawaban. Dimana jawaban dari AI model bukan statusOK.

Explanation:

Fungsi AnalyzeData menerima table, query dan Huggingface Token yang valid sebagai input, namun response dari AI model tidak diterima atau gagal diproses baik karena koneksi internet yang terputus atau hal lainnya dan mengembalikan error karena AI model tidak memberikan jawaban yang valid.

Test Case 9 ChatWithAI berhasil

Input:

{
    "context": "Text from previous conversation",
    "query": "How much older is John compare with Jane?"
    "token": "token"
}

Expected Output / Behavior:

"Any response from AI model"

Explanation:

Fungsi ChatWithAI menerima context, query dan Huggingface Token sebagai input dan mengembalikan jawaban berupa hasil dari query "How much older is John compare with Jane?". Fungsi ini wajib mengembalikan output dari AI model berupa teks.

Test Case 10 ChatWithAI gagal

Input:

{
    "context": "Text from previous conversation",
    "query": "How much older is John compare with Jane?"
    "token": "token"
}

Expected Output / Behavior:

Fungsi ini harus mengembalikan error jika jawaban dari AI model bukan statusOK.

Explanation:

Fungsi AnalyzeData menerima context, query dan Huggingface Token sebagai input dan mengembalikan error karena AI model gagal memberikan respons

Happy Coding!