人工知能は建物の管理方法を変えている

人工知能（今ではよく知られている頭字語 AI で説明されます）がさまざまな業界をどのように変革しているかについて聞いたことがあるでしょう。実際、AI によるものとされる分析の進歩のほとんどは、機械学習 (あまり知られていない呼び名: ML) によって実現されています。機械学習とは、コンピューターがデータポイントを取得し、事前プログラミングに基づいて値が事前に設定された範囲内にあるかどうかを判断する機能です。その後、ML プログラムは、データ ポイントを異常として識別して記録する決定を下し、場合によっては、異常な不一致を適切な場所に戻すためのアクションを実行するための指示を作成します。

建物はこんな感じです。火曜日の朝 7 時 15 分に太陽が昇り、天気が晴れて明るいとします。この事実により、建物の東側の熱負荷が増加し、内部空間がより高温になります。建物のサーモスタットは、建物の露出面の温度がすぐに 76 度以上になったことを記録します。 HVAC システムに接続された事前にプログラムされたソフトウェアは、室内の温度が 76 度に達すると、より多くの冷気が必要であると指示します。クーラーの目的を達成するために、クーラーは冷気生成をアクティブにするメッセージを受信し、おそらくダクト内のダンパーを開いて所望の効果を達成することにより、より多くの調整された空気をホットスポットに送ります。クーラーとファンは、温度が 73 度などの別の設定レベルに戻るまでこの作業を続けます。この一次元的な動作が機械学習です。ここで重要なのは、事前に行動計画を立てておくことです。

人工知能は、事前にプログラムされた ML シナリオから始まりますが、より高度な機能を備えたコンピューター テクノロジーです。人工知能は人間の思考プロセスを模倣します。人間は多次元で考えます。これがいわゆる「推論」につながります。オックスフォード大学出版局は推論を「論理的かつ合理的な方法で何かを考える行為」と定義しています。完全に進化した AI は複雑な決定を検討して処理し、それによって人間の知能をシミュレートします。

上記の状況を例に挙げてみましょう。ここで、AI プログラムがサーモスタットだけでなく複数のデータ ソースにアクセスできると仮定しましょう。たとえば、プログラムに建物内の総人数とその分布に関するデータがあったらどうなるでしょうか。プログラムに外気温に関するデータがあり、チラーが外気を取り入れることができるため、冷気を生成するコストを削減できるとしたらどうなるでしょうか。プログラムが、毎週火曜日、この過熱した空間の会議室が午前 10 時に営業担当者でいっぱいになる可能性が高いことを知っていたらどうなるでしょうか。これらの項目は可変です。 AI は、より複雑だがより優れたソリューションを改良するために、事実を考慮に入れることができますし、そうするでしょう。この推論機能により、多くのリソースを節約できる可能性があります。

AI を活用した建物では、目標を設定し、データに基づいて最適なソリューションを見つけることができます。今では、計算を継続的にリアルタイムで超高速に実行できます。その結果、最高レベルの効率で物件を運用できるようになります。サーモスタットが満足するまで冷たい空気を送り込まないでください。 AI もこのソリューションを記録して学習し、より深いデータベースを構築します。メモリバンクに入力されるデータが増えるにつれて、それが将来の問題解決の基礎となります。言い換えれば、高品質の AI は効率性の向上に貢献し続けます。

一部の建物では、建物データセンサーとそれらの建物を運用する総合的な人工知能プログラムの間で、1 日あたり 100 万を超えるデータ ポイントが交換されています。これにより、非常に重要なリアルタイム調整が容易になります。 2020 年初頭、ロサンゼルス北部の大規模な山火事の風下にあった 85,000 平方フィートの建物は、建物内の機械システムだけでなく、この場合は OpenWeather を含む外部データ ソースからもデータを収集することができました。 Open Weather から読み取られるデータの一部は、地域の空気の質です。火災が東に10マイル広がるにつれ、屋外の空気の質は急激に低下し始めた。 20分以内に煙が非常に濃くなり、居住者は建物の駐車場の反対側が見えなくなり、外部の空気は人間にとって極めて危険になりました。

AI は計画どおり、居住者の室内空気質を保護するために一連の対策を講じています。最初の是正措置として、外気取り入れ口を閉じることが計画されました。この計画は、建物内の入居者の日常的なパターンの論理を利用して、人々が生活する空間への屋内空気の流れを変更します。この物件には、エコノマイザーと呼ばれる HVAC システムの一部が備わっています。 HVAC システムのこの部分は、空気の温度と湿度のデータを収集するローカル センサーによって制御されます。センサーは、必要に応じて開閉するダンパーを制御するプロセスもトリガーします。たとえば、外の空気が内部を循環する空気よりも冷たい場合、システムは冷たい空気を建物の HVAC 気流に引き込むことができます。この混合物により、冷却される空気の温度が下がり、冷たい空気を生成するためのエネルギーコストが削減されます。しかし、空気の質に問題があり、その結果、エアコンが外部ダンパーを閉じてしまいました。

屋内の空気分配システムに正確な変更を加える AI の能力は、アクティブ AI システムのもう 2 つの側面です。建物内に何人の人がいるかを把握し、建物の内外の空気質データを把握します。この場合、オーナーは建物全体に「カメラ」を使用するスマートな人数カウント プラットフォームを設置しました。カメラ機器は建物に出入りする人の数を追跡し、建物内の人の位置を記録します。たとえば、火災発生当時、2 階は全面改装工事中だったため、人が住んでいませんでした。 AIは誰も見ていないと判断し、2階の空気の流れを最小限に抑えました。

カメラ解像度デバイスはカメラではありません。建物内の特定の地点を通過する人の動きを記録する小型センサーです。 AI は、物件内の人の密度を把握した上で最善の決定を下しました。この場合、完全な構築内で限られたリソースを直接割り当てることができるためです。きれいな空気が必要なのは建物ではなく人間です。

火災発生中、AI は必要に応じて空気の流れを調整し続けます。午後に人々が建物を離れると、一部のエリアでは占有密度が低下し、システムは引き続き内部の空気の流れを調整します。室内の空気の質が不健康なレベルまで低下した場合、システムが警報を鳴らし、建物内に残っている不動産管理者と入居者に退去を勧告します。

これはかなり極端なシナリオですが、危険なレベルのスモッグがなくても、AI は人間の健康のバランスを保ち、運用コストを削減することができます。南カリフォルニアにある中規模の 10 万平方フィートのオフィスビルでは、他の多くの家主と同様、ある家主がビルのバランスシートの改善に全力を注いでいました。この目標を達成するための鍵は、エネルギー消費を削減することです。オーナーは、老朽化し​​た機械システムに多額の新たな資本投資をすることなく、これを実現する方法を知りたいと考えていました。