


Automatisierung reicht nicht aus: Gebäude brauchen KI-gesteuerte Intelligenz
Gebäude waren schon immer einer der eifrigsten Nutzer von IoT-Geräten. Insbesondere intelligente Gebäude nutzen vernetzte Geräte, um alles von Temperatur, Beleuchtung, Luftqualität, Lärm, Vibration, Belegung und Energieverbrauch zu messen, und das ist nur die Spitze des Eisbergs.
Die Gebäudeautomation nimmt immer mehr zu: Allein in den Vereinigten Staaten gibt es mehr als 6 Millionen Gewerbegebäude und schätzungsweise 2,2 Milliarden vernetzte Geräte. Im Jahr 2022 wird der globale Markt für Gebäudeautomationssysteme etwa 80 Milliarden US-Dollar erreichen.
Diese Art der Automatisierung ist auf eine große Anzahl von IoT-Geräten angewiesen. Viele bedingte Maßnahmen erfolgen automatisch; wenn ein Brand erkannt wird, wird der Alarm automatisch ausgelöst, häufig mit einem Sprachbefehl, und die Feuerwehr wird benachrichtigt. Dies galt vor dem Aufkommen des Internets der Dinge; heute sind Feuermelder über das Internet und in zweiter Linie über Mobilfunk verbunden.
Der Wert des IoT, insbesondere in der Gebäudeautomation, liegt in zwei Hauptbereichen:
- Die von Innengeräten erzeugten Daten und wie diese Daten analysiert und genutzt werden.
- Betrieb und Management durch Gebäudeautomationssysteme.
Reichhaltige, kontinuierliche Datenströme liefern wertvolle Einblicke in den Gebäudebetrieb, aber es gibt ein Problem: Große Geräteflotten erzeugen riesige Datenmengen, die Menschen allein nicht richtig analysieren und verstehen können. Um die potenziellen Vorteile des Einsatzes dieser Sensoren (und Kameras) auszuschöpfen, sind künstliche Intelligenz (KI) und maschinelles Lernen (ML) erforderlich, um Datenflüsse kontinuierlich zu überwachen und auszuwerten.
Automatisierung allein reicht nicht aus
Bis 2020 lag der Schwerpunkt der intelligenten Gebäudesysteme, einschließlich der Gebäudeautomation, in der Verantwortung des Facility Managements. Dann verlagert sich der Schwerpunkt zusätzlich zum Facility Management auf Mitarbeiter-Wellness- und ESG-Programme. Dies eröffnet den Bedarf an ML-fähigen Funktionen.
Zum Beispiel könnte ein KI-System die Luftqualität untersuchen und Zusammenhänge mit Belegungsbeschränkungen finden. Es kann auch lernen, wie Besprechungsräume und Kabinen im Hinblick auf Belegung und Belüftung neu zugewiesen werden können, um den physischen Abstand zwischen den Mitarbeitern zu maximieren, die Luftqualität zu verbessern und so das Krankheitsrisiko der Mitarbeiter zu verringern.
KI kann auch dabei helfen, die Nutzung von Wasserleitungen und die Wassertemperatur zu analysieren, um Warnungen auszugeben, wenn das Risiko von Legionellen und anderen schädlichen Krankheitserregern steigt. Legionellen gedeihen in warmem Wasser innerhalb eines bestimmten Temperaturbereichs.
Die Relevanz neuer KI-Funktionen schließt traditionelle Funktionen wie die Verfolgung und Verwaltung des Energieverbrauchs nicht aus. Mit einer KI-gesteuerten Plattform können Gebäude Bereiche absperren, die nicht genutzt werden, und zu unterschiedlichen Zeiten unterschiedliche Vorhangeinstellungen ausprobieren, um den Energieverbrauch zu minimieren. Experimentieren und lernen Sie gleichzeitig. Unter dem Strich handelt es sich dabei um ein Thema, das aufgrund der Energiepreise im Jahr 2022 noch wichtiger werden wird.
KI kann sogar eine Rolle bei der Reinigungseffizienz spielen, indem sie erkennt, welche Tische verwendet wurden und welche Toiletten häufiger genutzt wurden. Im Zeitalter von COVID-19 konzentrieren sich Facility Manager auf die Reinigung.
KI kann auch Systeme, die die physische Sicherheit unterstützen, erheblich verbessern. Sobald das System versteht, was normales Zugangs- und Bewegungsverhalten ist, kann es abnormales Verhalten erkennen und Sicherheitswarnungen auslösen. Andere KI-gesteuerte Anwendungen können Nötigungssituationen und zurückgelassene Objekte erkennen, Waffen identifizieren, Schüsse lokalisieren – und Notaussperrungen durchführen.
Intelligente Systeme zur Bekämpfung von Infektionskrankheiten können lernen, lokale Infektionsratendaten zu nutzen. KI-Systeme können Dinge tun, die Menschen nicht können, wie zum Beispiel 20 Jahre lang auf eine Wand zu starren und nach Anzeichen von Veränderungen im Beton zu suchen, die auf einen bevorstehenden Struktureinsturz hinweisen könnten.
Anwendung künstlicher Intelligenz auf intelligente Gebäude
Natürlich besteht der Standardausgangspunkt für ein neues KI-gesteuertes System darin, sie zu unterrichten. Der Prozess beginnt mit einer Datenbank, die die Realität darstellt, mit der das System konfrontiert sein wird. Viele werden jedoch feststellen, dass es keine guten grundlegenden Trainingsdaten für intelligente Gebäudesysteme gibt. Die Antwort könnte darin bestehen, Trainingsdaten durch die Durchführung von „Experimenten“ in physischen Gebäuden zu erstellen.
In Bezug auf den Energieverbrauch können Sie beispielsweise das System trainieren, indem Sie Vorhänge und Klimaanlage experimentell an die Tageszeit und die Bürobelegung anpassen und so Ihre Klimaanlagenrechnung senken, ohne manuelle Übersteuerungen auszulösen. Ein solches System könnte auf Temperatursensoren und Belegungswerten sowie auf der Sonnenlichterkennung basieren.
Es gibt einige grundlegende Best Practices, die Sie befolgen sollten. Gehen Sie beim Sammeln von Ground-Truth-Datensätzen wissenschaftlich fundiert vor und sammeln Sie Daten aus mehreren Quellen, um die Sicherheit zu erhöhen, dass Ihre Stichprobe repräsentativ ist.
KI-gesteuerte Systeme können aus den Belegungsmustern bestimmter Bürobereiche lernen und dabei helfen, menschliche Fehler bei der Raumplanung zu reduzieren. Die Modernisierung des Raums ist teuer und die Aufrechterhaltung der Flexibilität ist von entscheidender Bedeutung. Raumnutzung und -belegung sind während der Pandemie eindeutig zu einem Gesundheitsproblem geworden. Mitarbeiter versammeln sich jetzt möglicherweise lieber auf einem Balkon oder einer Terrasse unter freiem Himmel, um sich zu unterhalten und Kaffee zu trinken, als in einem kleinen Pausenraum.
Wohin entwickelt sich das KI-gesteuerte Baumanagement?
Künstliche Intelligenzsysteme können Veränderungen im Facility Management vorschlagen und das Gebäudemanagement prädiktiver machen. Apropos Reaktionsfähigkeit: Sie können auch effektiver auf unerwartete Herausforderungen reagieren. Ein aktuelles Beispiel: Vor 2020 war es nicht möglich, Mitarbeiter mit Fieber zu identifizieren und die Wahrscheinlichkeit einer Infektion zu verringern, aber dieses Problem kann im Rahmen der derzeitigen Möglichkeiten gelöst werden.
Es erfordert sorgfältige Überlegungen und Zeitaufwand, um die grundlegenden Fakten richtig zu verstehen. Viele Gewerbegebäude verfügen über digitale Zwillinge; Architekten liefern sie an Gebäudeeigentümer oder -verwalter. Als Ausgangspunkt dürften digitale Zwillinge zu einem Testgelände für KI-gesteuertes Facility Management und intelligentes Gebäudemanagement werden.
Wir gehen davon aus, dass IT, Facility Management, HR und Sicherheit stärker integriert werden und KI stärker nutzen werden. Die Verknüpfung von Informationssilos zur Schaffung von Datenflüssen für KI-Anwendungen könnte eine Reihe von Vorteilen haben.
Die Bedeutung gesunder Arbeitsplätze, physischer Sicherheit und Energieeinsparung macht es dringend erforderlich, über die einfache Automatisierung hinauszugehen und zuverlässige KI-basierte Gebäudebetriebssysteme zu entwickeln, die auf einer starken Grundlage aktueller Daten basieren . Jede dieser Anwendungen unterstützt ein starkes Geschäftsszenario. Alles in allem ist es ein überzeugendes Argument dafür, dass das Facility Management KI-gesteuerte Anwendungen in Betracht ziehen sollte, um intelligente Gebäude zu betreiben und Gebäude intelligenter zu machen.
Das obige ist der detaillierte Inhalt vonAutomatisierung reicht nicht aus: Gebäude brauchen KI-gesteuerte Intelligenz. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
