cleaning [Machine Learning in Facility Management]

This page is read only. You can view the source, but not change it. Ask your administrator if you think this is wrong.
====== Inteligentne Sprzątanie  ======

Usługi sprzątania stanowią jeden z największych kosztów operacyjnych w budżecie Facility Management. Tradycyjne podejście opiera się na stałych harmonogramach (np. "toaleta sprzątana co godzinę", "biurka sprzątane codziennie wieczorem").

Podejście to jest nieefektywne:
  * Sprzątane są strefy, z których nikt nie korzystał (strata zasobów).
  * Strefy przeciążone są sprzątane zbyt rzadko (skargi użytkowników).

Machine Learning i IoT wprowadzają model **Sprzątania na Żądanie**.


{{::robot_cleaning1.jpg?800|}}


===== 1. Dynamiczne harmonogramy serwisu =====
System analizuje dane z czujników obecności i bramek wejściowych, aby w czasie rzeczywistym kierować personel sprzątający tam, gdzie jest potrzebny.

**Przykład - Toalety:**
Zamiast wysyłać serwis co godzinę, system zlicza wejścia (People Counting).
  * Algorytm uczy się: //"Średnio po 80 użyciach toaleta wymaga serwisu"//.
  * Gdy licznik wybije 70 wejść, system wysyła powiadomienie na tablet pracownika: //"Toaleta A, Piętro 3 - wymagany serwis za 15 min"//.

**Przykład - Biurka:**
W systemie Hot-Desking nie każde biurko jest używane codziennie. Czujniki podbiurkowe rejestrują zajętość.
  * Wieczorem ekipa sprzątająca otrzymuje na mapie cyfrowej tylko te biurka, które były faktycznie używane (czerwone punkty). Biurka nieużywane (zielone) są pomijane.
  * **Efekt:** Skrócenie czasu sprzątania piętra o 30-40%.

===== 2. Predykcja zużycia materiałów =====
Algorytmy ML monitorują zużycie środków higienicznych (mydło, ręczniki papierowe) w oparciu o dane z inteligentnych dozowników.

System analizuje trendy (np. większe zużycie w sezonie grypowym) i przewiduje moment wyczerpania zapasów.
  * Eliminuje to sytuacje "pustego dozownika" (zadowolenie użytkowników).
  * Pozwala na optymalizację tras logistycznych (wymiana wkładów tylko tam, gdzie się kończą).

===== 3. Robotyka autonomiczna (Cobots) =====
W dużych przestrzeniach (hol, korytarze, garaże) coraz częściej wykorzystuje się autonomiczne roboty sprzątające.
  * Wykorzystują one algorytmy SLAM (Simultaneous Localization and Mapping) do nawigacji.
  * ML pozwala robotowi omijać przeszkody (ludzi) i uczyć się najbardziej optymalnych ścieżek, aby pokryć 100% powierzchni przy minimalnym zużyciu baterii.

{{:robot_cleaning2.jpg?400|}}===== Podsumowanie korzyści =====

^ Wskaźnik ^ Model Tradycyjny ^ Model Oparty na Danych ^
| **Zużycie czasu** | Stałe (niezależne od ruchu) | **-20%** (eliminacja pustych przebiegów) |
| **Jakość higieny** | Zmienna (zależna od grafiku) | Stała (interwencja w punkt) |
| **Materiały** | Wymiana "na oko" | Zużycie tylko wg potrzeb |
| **Satysfakcja** | Średnia | Wysoka |