Table of Contents

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 1).

Jak działa proces uczenia?

W inżynierii budynkowej proces ten składa się zazwyczaj z trzech etapów:

  1. Zbieranie danych (Input): System pobiera historię z ostatnich lat – zużycie prądu, temperatury, awarie.
  2. Trenowanie modelu: Algorytm “uczy się”, jakie warunki (np. mróz na zewnątrz + poniedziałek rano) prowadzą do wysokiego zużycia energii.
  3. Predykcja: System otrzymuje nowe dane (prognozę pogody na jutro) i przewiduje, co się stanie, zanim to nastąpi 2).

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
1)
Géron A., “Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow”, 2020
2)
VanderPlas J., “Python Data Science Handbook”, 2017