Ariel Zgórski
„W naszej firmie wszystkie decyzje opierają się na danych”. Te słowa brzmią pięknie, ale rzadko kiedy są rzeczywistością. W świecie, w którym musimy podejmować decyzje szybko, bardzo często opieramy się na doświadczeniu, przeczuciu lub intuicji. Nawet jeśli stosujemy metodologie takie jak Data Driven Decision Making, a dane, których potrzebujemy, są często na wyciągnięcie ręki, wciąż bywa, że decyduje intuicja.
Harmonogram jest stosunkowo prosty do wdrożenia. Doba ma równe 24 godziny, tydzień 7 dni, a miesiąc 30 lub 31 dni (niechaj luty będzie wyjątkiem potwierdzającym regułę). Tym samym dość prosto jest wprowadzać automatyzacje oparte na harmonogramach.
- Jeśli pracownicy przychodzą do firmy na godzinę 8:00, to zacznijmy nagrzewać pomieszczenia o 7:30 i wyłączmy ogrzewanie o 16:00.
- Równo o 21:00 gasną wszystkie światła.
- Alarm uruchamiany jest w każdy weekend, a w dni pracy – w godzinach 18:00–6:00.
Jednak to, czego harmonogramy nie lubią, to zmiany. A w dzisiejszym świecie nie da się egzystować bez zmian. Kto nigdy nie był w zimnym biurze, musiał się nagimnastykować, żeby włączyć światło, lub przypadkiem uruchomił alarm? Niech pierwszy rzuci czymkolwiek, co ma pod ręką.
Predykcja przez duże P to Al w starym, dobrym wydaniu: machine learning
Czas to wyłącznie jedna zmienna. Na dodatek wcale nie najważniejsza. Współczesne systemy oparte na uczeniu maszynowym czy sieciach neuronowych korzystają z bardzo wielu czynników. Mogą uczyć się zależności między warunkami pogodowymi, porą dnia a temperaturą wewnątrz, by z wyprzedzeniem dostosować sterowanie. Potrzebne do tego są dane, zarówno zewnętrzne, jak i z czujników rozmieszczonych w całym budynku.
Jednym z najsłynniejszych zastosowań AI w zarządzaniu środowiskiem budynku jest rozwiązanie Google. W 2016 r. firma zastosowała algorytmy DeepMind do sterowania chłodzeniem w swoich centrach danych. Google Cloud Platform to potęga – sieć ogromnych data center na całym świecie. System wykorzystał uczenie maszynowe na danych z tysięcy czujników (temperatury, obciążenia serwerów) i uczył się optymalnych ustawień wentylatorów, chłodnic i pomp.
Wynik przeszedł wszelkie oczekiwania – 40% redukcji energii potrzebnej do chłodzenia (co dało ok. 15% spadku ogólnego poboru mocy całego obiektu). Dodatkowo sztuczna inteligencja znalazła ustawienia, których inżynierowie nie przewidzieli – reagowała szybciej na zmiany obciążenia i warunków zewnętrznych, utrzymując rekordowo niski wskaźnik PUE (efektywności energetycznej centrum).
Krok po kroku, czyli uczenie ze wzmocnieniem
W życiu rzadko kiedy dostajemy coś od razu. Najczęściej musimy na to zapracować i cały czas się poprawiać. Sportowiec musi spędzić lata, aby uszczknąć dodatkową sekundę na mecie. Programista musi napisać tysiące linii kodu, żeby poznać arkana danego języka. A pilot musi przelatać setki godzin, żeby móc bezpiecznie przewozić pasażerów. Bo chyba nikt nie chciałby usłyszeć „Dzień dobry Państwu, kto po raz pierwszy leci samolotem tak jak ja, niech podniesie rękę!”.
Na podobnej zasadzie działa uczenie ze wzmocnieniem. To technika ze świata sztucznej inteligencji, która sprawdza się również w inteligentnych budynkach. Algorytm testuje różne ustawienia sterowania (np. wydajność wentylatorów, zaworów, klimatyzacji) i otrzymuje „nagrodę” za utrzymanie komfortu przy niskim poborze energii. W efekcie system sam optymalizuje sterowanie w danym budynku. Jest to metoda prób i błędów, tylko że w wydaniu akademickim. Ma to jednak duży sens, gdyż trudno jest określić na samym początku, jak będzie wyglądać optimum. Uczenie ze wzmocnieniem testuje się w takim wypadku w sterowaniu HVAC biurowców – AI stopniowo poprawia swoje decyzje, dostosowując się do unikalnej architektury i dynamiki każdego budynku.
BMS wspierany przez Al, czyli predykcja w polskim wydaniu
Jeśli nie jesteśmy gigantyczną spółką technologiczną, która posiada zespół najlepszych na świecie specjalistów od sztucznej inteligencji – może być nam dość ciężko, aby efektywnie wytrenować i wykorzystać takie algorytmy. Nie każda fabryka, biurowiec czy magazyn ma bowiem na podorędziu chmarę data scientistów.
W takim wypadku warto sięgnąć po gotowe rozwiązania, które coraz częściej oferują dodatkowe funkcje AI. Twórcy systemów BMS są świadomi rewolucji, która odbywa się na naszych oczach, i tego, że muszą oferować coraz bardziej zaawansowane funkcjonalności sztucznej inteligencji.
Na naszym polskim podwórku coraz więcej dzieje się w świecie inteligentnej predykcji budynkowej. Kiona Edge Al to nakładka na istniejący BMS, która wykorzystuje AI do sterowania węzłem cieplnym. Algorytm samouczący się integruje dane z czujników wewnętrznych, prognozy pogody i modelu fizycznego budynku, aby na bieżąco regulować dostawę ciepła. Dzięki takiemu rozwiązaniu budynek utrzymuje komfort termiczny przy zrównoważonym bilansie cieplnym, bez marnowania energii. Rozwiązanie Kiona Edge pozwala obniżyć poziom zużycia energii cieplnej nawet do 20%, a system ten pojawił się w PGNIG/ORLEN, gdzie stale „uczy się” budynku, więc z czasem efektywność jeszcze rośnie wraz z doskonaleniem algorytmu.
Operator galerii handlowych NEPI Rockcastle w 2023 r. przeprowadził pilotaż wdrożenia Al do zarządzania HVAC w centrum handlowym Karolinka w Opolu. Wykorzystał do tego estoński system R8, który został podłączony do BMS i analizował w czasie rzeczywistym:
- temperaturę zewnętrzną,
- liczbę osób w obiekcie,
- i na tej podstawie dynamicznie regulował wentylację oraz ogrzewanie.
Wyniki testów były imponujące. Zmniejszono zużycie energii cieplnej o 16% i elektrycznej aż o 71% (w porównaniu do roku 2022) przy zachowaniu wymaganych warunków komfortu. Dzięki temu NEPI zdecydowało się rozszerzyć AI na 10 kolejnych galerii w Polsce. To pierwsza na taką skalę inwestycja w polskim sektorze retail – pokazuje, że nawet istniejące obiekty mogą dzięki Al drastycznie obniżyć koszty mediów.
Wiedza to potęgi klucz, więc po co bez niego przepłacać?
Inwestycja ma to do siebie, że powinna się w pewnym momencie spłacać. Pilotaże, PoC-y i testy są świetne, ale na koniec dnia oczekiwane są wyniki. Predykcja przynosi te wyniki w miarodajny i jasny sposób. To nie jest wyłącznie krok w stronę nowoczesności, ale świadoma decyzja, aby wykorzystać technologię do osiągnięcia celów biznesowych.
Najważniejszym punktem jest w tym wypadku zmiana myślenia. Musimy odejść od harmonogramu, który znamy i lubimy – w kierunku predykcji. Ale wraz z tą zmianą myślenia należy również zmienić podejście do błędów. Bo pierwsze wyniki na pewno będą słabsze. Ale błędy są normalne w procesie uczenia, a tego właśnie potrzebują systemy sztucznej inteligencji. Błąd w takim wypadku nie jest porażką. Porażką jest rezygnacja z powodu błędu.
Ariel Zgórski
