


Wie künstliche Intelligenz intelligente Gebäude umweltfreundlicher und nachhaltiger machen kann
Während CIOs und andere Führungskräfte nach Möglichkeiten suchen, Nachhaltigkeitsinitiativen auszuweiten, wächst das Bewusstsein, dass diese Initiativen nicht an den vier Wänden eines Rechenzentrums oder Bürogebäudes enden dürfen. Heutige Strukturen können Hunderttausende Komponenten enthalten, die Energie verbrauchen und den CO2-Fußabdruck eines Unternehmens erhöhen.
Tatsächlich verbrauchen Gebäude laut dem World Resources Institute ein Drittel der weltweiten Energie und verursachen ein Viertel der Treibhausgasemissionen (THG). Darüber hinaus konzentrieren sich Unternehmens- und IT-Führungskräfte häufig ausschließlich auf die Verbesserung der Nachhaltigkeit von Rechenzentren und den Kauf umweltfreundlicherer Computersysteme. Sie übersehen jedoch wichtige Möglichkeiten, wie Technologie unseren CO2-Fußabdruck reduzieren kann.
„Es besteht ein wachsendes Bewusstsein dafür, dass Gebäude und Arbeitsbereiche ein wichtiger Bestandteil von Nachhaltigkeitsplänen sind“, sagte Bryon Carlock, nationaler Leiter der Immobilienpraxis beim Beratungsunternehmen PwC. „Das Verständnis und die Steuerung des Energieverbrauchs und des eingebetteten Kohlenstoffs in Gebäuden spielt eine wichtige Rolle bei der Begrenzung der CO2-Emissionen der Bereiche 1 und 2.“ Analysesoftware, künstliche Intelligenz (KI), maschinelles Lernen (ML), 3D-Druck und mehr – ermöglichen den Bau und die Nachrüstung von Bürogebäuden, Rechenzentren, Fabriken, Hotels und anderen Strukturen, um maximale Nachhaltigkeit zu unterstützen.
Carlock sagte: „Technologie kann jetzt die Art und Weise verändern, wie wir Energiesysteme in Gebäuden bauen und verwalten. Wir sind in der Lage, enorme Verbesserungen bei der Energienutzung und der allgemeinen Nachhaltigkeit voranzutreiben.“ Grüne Gebäudewartung
Es gibt einen deutlichen Wandel im Denken über die Rolle der IT bei der Förderung der Nachhaltigkeit in Gebäuden. Mitverantwortlich für diesen Trend sind Umwelt-, Sozial- und Governance-Initiativen (ESG), aber es ist auch klar, dass der „grüne“ Idealismus zur pragmatischen Realität wird. Die Besorgnis über den Klimawandel wächst und es wächst das Bewusstsein, dass intelligente Gebäude erhebliche Kosteneinsparungen ermöglichen können. Glücklicherweise sind Sensoren und Systeme, die früher schwierig zu installieren, zu verwalten und zu verwenden waren, viel einfacher und leistungsfähiger geworden.
Jennifer Layke, Global Director of Energy am World Resources Institute, sagte: „In der Vergangenheit gab es nicht viel Impuls, Veränderungen zu unterstützen, obwohl Veränderungen allgemein als eine gute Sache angesehen wurden.“ und das Denken sind jetzt viel vorteilhafter.“
Tatsächlich hat PwC herausgefunden, dass 82 % der leitenden Manager den Klimawandel und die CO2-Reduzierung als Top-Themen bei der Entwicklung und dem Kauf von Immobilien ansehen. Während neue kohlenstoffarme Betone und nachhaltigere Baumaterialien eine Schlüsselrolle für den Fortschritt spielen, liegen die größten Fortschritte in der Integration von Technologie mit physischer Infrastruktur und Analysesystemen, die Muster erkennen und Wege für Verbesserungen identifizieren können, sagte Carlock.
„Die Konvergenz digitaler Technologien, einschließlich des Internets der Dinge, verändert die Spielregeln“, sagte Gunnar Hubbard, Leiter Nachhaltigkeit und globaler Praxisleiter beim Ingenieurbüro Thornton Tomasetti. „Intelligente Technologien wirken sich darauf aus, wie Strukturen gebaut und genutzt werden.“ CIOs, CTOs und andere müssen auch verstehen, wie man alternative Energiequellen wie Wind und Sonne integriert und gleichzeitig Software und Systeme zur Integration unterschiedlicher Komponenten einsetzt Daten Das Zentrum befindet sich noch in einem Hochhaus.
Vorgefertigte und 3D-gedruckte Systeme können den CO2-Fußabdruck weiter reduzieren. Das kanadische Unternehmen DIRTT beispielsweise entwickelt vorgefertigte, maßgeschneiderte Systeme, die kaum oder gar keinen Bau vor Ort erfordern. Die modularen Komponenten – die recycelte Materialien enthalten und Bewegungssensoren und andere Technologien umfassen – werden einfach in ein Büro oder einen Produktionsraum gerollt und dort aufgestellt. Das Unternehmen gibt an, dass seine Lösung den Energieverbrauch um durchschnittlich 12 % und den gesamten Fußabdruck um 25 % senken kann.
Die mit Abstand größten Zuwächse gibt es jedoch im Bereich Energiemonitoring. „Da herkömmliche HVAC-Systeme digitale und IoT-Fähigkeiten gewinnen, wird es möglich, Einblicke in Gebäude und Räume zu gewinnen und den Energieverbrauch auf neue Weise zu verstehen“, sagte Carlock. GE, Honeywell, Johnson Controls und andere führen Systeme ein, die große Datenmengen verarbeiten und mithilfe maschinellen Lernens kontinuierlich Anpassungen vornehmen können.
„Wir sehen, dass in Böden, Wänden und Decken integrierte Bildverarbeitungs-, Wärmesensoren und andere Geräte die Belegungslast eines Bodens oder sogar eines Teils eines Bodens ermitteln und Beleuchtung, Heizung oder Kühlung in Echtzeit anpassen können. „Wenn diese Systeme mit anderen intelligenten Technologien wie elektrochromen Fenstern (oft als intelligentes Glas bezeichnet, das sich an die Außen- und Innenbedingungen anpasst) kombiniert werden, kann die Klimatisierung weiter optimiert werden.
Wie Datenanalysen zum nachhaltigen Bauen beitragen können
Es überrascht nicht, dass Analysen der Klebstoff sind, der alles zusammenhält. Immer ausgefeiltere Steuerungen und Software können nicht nur HLK- und andere digitale Systeme verwalten, sondern auch Einblicke in Trends liefern und die Informationen in ESG-Software und Datenerfassungsrahmen einspeisen. Beispielsweise verknüpft und synchronisiert eine Gebäudeanalyseplattform des britischen Softwareunternehmens CIM Gebäudeintelligenzsysteme, maschinelles Lernen und andere Datenpunkte, um den Energiemix anzuzeigen, die tatsächliche Leistung anhand von Zielen zu messen und Betriebskostensenkungen (OPEX) zu verstehen. Darüber hinaus passt das System beim Erlernen von Mustern das System automatisch an, um den Komfort zu maximieren und gleichzeitig den CO2-Fußabdruck zu minimieren.
Andere Analyseplattformen wie Envizi von IBM können die Energieeffizienz verfolgen, einschließlich des Vergleichs erneuerbarer Anlagen mit herkömmlichen Energieformen, einer detaillierten HVAC-Leistung und einer allgemeinen Nachhaltigkeitsanalyse. Viele Lösungen umfassen detaillierte Dashboards und Berichte und stellen eine Verbindung zu ESG- und Nachhaltigkeitsberichtssystemen her. Einige bieten auch erweiterte Modellierung, Simulation und sogar digitale Zwillinge.
In einem Bericht der Vereinten Nationen, dem Global State of Construction Report 2020, heißt es, dass es mit der heutigen Technologie möglich ist, in der Bauindustrie Netto-CO2-Emissionen von Null zu erreichen. In dem Bericht heißt es außerdem, dass Innovationen und Verbesserungen bis 2030 zu einer Reduzierung des verkörperten Kohlenstoffs um 40 % führen könnten. Allerdings ist eine schnellere und umfassendere Einführung erforderlich. Um den Energiebedarf zu senken und Gebäude weiter zu optimieren, sind außerdem bessere Messsysteme, eine stärkere Nutzung erneuerbarer Energien sowie ein stärkerer Einsatz von Analytik und maschinellem Lernen erforderlich.
Carlock von PwC glaubt, dass es nicht einfach sein wird, immer ehrgeizigere Nachhaltigkeitsziele zu erreichen, aber es ist machbar. CIOs, CTOs und andere müssen eine zentrale Rolle dabei spielen, die strategische Richtung festzulegen, Systeme und Software zu integrieren und sicherzustellen, dass Daten in all ihren Formen zu kontinuierlichen Nachhaltigkeitsgewinnen beitragen, sagte er. „Wir sehen immer mehr Veränderungen bei intelligenten Gebäuden“, schloss er. „Die Gestaltung und Leistung von Gebäuden ist ein wichtiger Teil des Nachhaltigkeitspuzzles.“
Das obige ist der detaillierte Inhalt vonWie künstliche Intelligenz intelligente Gebäude umweltfreundlicher und nachhaltiger machen kann. 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

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

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

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

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

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

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

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
