Le CVC et l'IA changent la donne pour le bureau du futur
Il fut un temps où l'utilisation de l'espace de bureau était prévisible et cohérente.
Aujourd'hui, de nombreuses entreprises n'ont plus de routine du lundi au vendredi, de 9h à 17h, mais adoptent plutôt une approche hybride de travail à distance et de présence sur site. Cela laisse de nombreux espaces inutilisés pendant la journée, tandis que d’autres sont entièrement occupés.
D’autres aspects ont également changé. Le confort intérieur dans les espaces commerciaux n’est plus seulement une question de chaud ou de froid. La qualité de l’air et la régulation des environnements intérieurs sont désormais des enjeux de santé et de sécurité. Parallèlement, la décarbonation des bâtiments devient une priorité du gouvernement.
Comment les propriétaires d'immeubles et leurs responsables d'exploitation peuvent-ils répondre à ces changements rapides tout en ralentissant, voire en réduisant la consommation d'énergie et les émissions de carbone ? Cela semble compliqué ?
Mais est-ce vraiment le cas ?
La plupart des propriétaires et gestionnaires d'espaces commerciaux connaissent déjà certaines des technologies avancées des systèmes CVC. Les nouveaux bâtiments en construction ou en projet tiennent compte des dernières technologies. Cependant, des milliers de bâtiments existants ne changent pas aussi rapidement.
Les propriétaires peuvent être réticents à investir dans des contrôles environnementaux pour les bâtiments plus anciens en raison du coût, des temps d'arrêt lors de l'installation et de la crainte de ne pas obtenir de retour financier. Ce n’est que lorsque les systèmes mécaniques tombent en panne ou que les réglementations locales en matière de décarbonisation changent que les derniers contrôles de climatisation intérieure seront pris en compte. Une meilleure compréhension de la situation économique complète entourant la dernière gestion CVC est nécessaire.
Des experts dans le domaine de la PropTech ont déclaré que l'intelligence artificielle (IA) sera utilisée à l'avenir pour détecter, surveiller et contrôler les systèmes à l'intérieur des bâtiments.
Une étude de 2022 du Lawrence Berkeley National Laboratory (LBNL) a conclu : « Atteindre des objectifs de décarbonation agressifs nécessitera des étapes fondamentales pour réduire l'empreinte carbone des bâtiments existants. Pour le contrôle du chauffage, de la ventilation et de la climatisation (CVC) commerciaux, il est possible d'optimiser de manière continue et dynamique. de nouvelles technologies de bâtiment intelligent qui promettent de faire progresser les opérations des bâtiments pour un contrôle décarboné, efficace et flexible. »
LBNL sur un bâtiment de 12 étages et 300 000 mètres carrés construit au milieu des années 1960 à Washington, DC. a fait l'objet d'une étude de terrain de deux ans. Le bâtiment dispose déjà de certains systèmes de gestion du bâtiment intégrés, une mise à niveau complète du système n'est donc pas nécessaire.
En raison de la COVID, le bâtiment a connu des taux d'occupation variables au cours de la période d'étude. Cela donne à la plateforme cloud d’exploitation des bâtiments Nantum OS de Prescriptive Data l’opportunité de comprendre comment les différentes conditions d’occupation affectent ses espaces intérieurs.
« La plateforme utilise des données d'occupation, des modèles thermiques et des algorithmes d'apprentissage automatique pour mettre en œuvre des ajustements optimaux de démarrage, d'arrêt et de vitesse de ventilateur intrajournalière pour les unités de traitement d'air (CTA) à chaque étage pendant la pandémie
Par exemple, utilisez 22 Deux occupations. » des compteurs (deux par étage) permettent d'ajuster les niveaux de chaleur dans les zones inoccupées ou occupées de l'espace, en tenant compte de la chaleur émise par le corps humain.
Cette technologie réduit le temps de fonctionnement de la CTA de plus de trois heures pendant la journée de travail et réduit la vitesse des ventilateurs à l'heure du déjeuner de plus de 10 %. Permettant des ajustements au système de chauffage et de refroidissement, réduisant ainsi les coûts d'exploitation globaux de 6 %. La dernière version du logiciel peut désormais ajuster le chauffage et la climatisation en fonction de la disponibilité de l’énergie renouvelable, réduisant ainsi l’empreinte carbone d’un bâtiment.
Selon le Département américain de l'Énergie, « Au cours des 50 dernières années, la consommation d'électricité des bâtiments a considérablement augmenté en proportion de la consommation annuelle d'électricité aux États-Unis, passant de 25 % dans les années 1950 à 40 % au début des années 1970 jusqu'en 2012. Plus de 76 % »
Par exemple, les coûts de climatisation commerciale peuvent être réduits de 78 % en utilisant les murs, les fenêtres les plus économes en énergie et les derniers équipements de chauffage et de climatisation.
Au-delà de l'épargne pure, il faut aussi rappeler que dans un immeuble sain les occupants sont là. Ceux qui disposent de systèmes CVC efficaces et correctement réglés prendront moins de jours de maladie.
Lorsque les considérations de santé sont prises en compte, les coûts liés à l’amélioration de l’environnement intérieur peuvent être correctement mis en balance avec les avantages pour la santé et la productivité. Cela fait de l’architecture essentiellement un outil de ressources humaines.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
