teoria [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.
====== Podstawy Uczenia Maszynowego w Inżynierii Budynkowej ======

Wdrożenie sztucznej inteligencji w zarządzaniu nieruchomościami to nie tylko instalacja nowych czujników, ale przede wszystkim zmiana sposobu przetwarzania danych.

Tradycyjne systemy automatyki (BMS) działają na sztywnych regułach "jeżeli-to". Systemy ML działają inaczej – szukają wzorców w danych historycznych i na ich podstawie podejmują decyzje ((Géron A., "Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow", 2020)).


===== Jak działa proces uczenia? =====
W inżynierii budynkowej proces ten składa się zazwyczaj z trzech etapów:

  - ** Zbieranie danych (Input):** System pobiera historię z ostatnich lat – zużycie prądu, temperatury, awarie.
  - ** Trenowanie modelu:** Algorytm "uczy się", jakie warunki (np. mróz na zewnątrz + poniedziałek rano) prowadzą do wysokiego zużycia energii.
  - ** Predykcja:** System otrzymuje nowe dane (prognozę pogody na jutro) i przewiduje, co się stanie, zanim to nastąpi ((VanderPlas J., "Python Data Science Handbook", 2017)).


===== Porównanie podejść =====

^ Cecha ^ Tradycyjna Automatyka (BMS) ^ Machine Learning (AI) ^
| **Działanie** | Reaguje na to, co jest teraz | Przewiduje to, co będzie |
| **Adaptacja** | Sztywne ustawienia (nastawy) | Uczy się zmian w budynku |
| **Obsługa** | Wymaga ręcznej korekty | Samodzielna optymalizacja |
| **Efekt** | Komfort po fakcie (np. nagrzanie zimnego biura) | Komfort z wyprzedzeniem |