This is an old revision of the document!
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:
- 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 2).
| 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 |