Di quali dati ha bisogno un edificio affinché l’intelligenza artificiale possa essere utile?

Non esiste un unico elenco adatto a ogni edificio. I dati di cui un edificio ha bisogno dipendono dalla decisione che l’intelligenza artificiale intende supportare, e una previsione energetica, uno strumento di rilevamento dei guasti, un assistente documentale e un modello di manutenzione predittiva richiedono ciascuno input diversi, a frequenze diverse, con profondità storiche diverse. Quindi lavora a ritroso dal caso d'uso fino alla prova minima affidabile richiesta. Raccogliere tutto e sperare che il valore venga fuori in seguito è l’alternativa costosa.

Una lettura senza contesto è solo un numero

Un punto recita "37". Potrebbe essere una valvola aperta al 37%, un comando per aprirla fino a quel punto o una temperatura dell'acqua di ritorno in gradi Celsius. Affinché un modello possa utilizzarlo, qualcuno deve registrare da quale dispositivo proviene e a cosa serve quel dispositivo, la sua unità, se si tratta di una misurazione, un set point o un comando, e quando e quanto spesso è stato campionato. Anche ciò che l'impianto stava facendo in quel momento è importante.

Modelli semantici come Brick mantengono quel contesto in un formato che il software può leggere, quindi un'applicazione può richiedere "tutti i sensori di temperatura dell'aria di mandata sulle unità di trattamento dell'aria che servono il terzo piano" senza che un ingegnere prima decifrasse manualmente i nomi dei punti.

Domande diverse, dati diversi

Considera la tabella come un punto di partenza: il fornitore di qualsiasi applicazione specifica dovrebbe dichiarare i propri requisiti e tu dovresti testarli rispetto a ciò che effettivamente offre l'edificio.

Testare i dati rispetto al lavoro che svolgeranno

Completezza, accuratezza, tempestività e coerenza sono tutte questioni importanti, ma devono essere giudicate su periodi rappresentativi, poiché una settimana conveniente può far sembrare valido quasi qualsiasi set di dati. L'AI Risk Management Framework (AI RMF 1.0) del NIST afferma che le misurazioni dell'accuratezza dovrebbero essere abbinate a set di test realistici e chiaramente definiti che rappresentino le condizioni di utilizzo previsto. Per un edificio, la questione è se la storia copre ciò che l’applicazione effettivamente soddisferà: ogni stagione, giorni festivi, cambiamenti di occupazione, guasti agli impianti. Un set di dati tratto da una primavera mite non può supportare le affermazioni sui picchi estivi.

Le tolleranze differiscono anche in base al caso d'uso, quindi concorda i divari e la latenza accettabili per ognuno di essi. Un andamento energetico mensile può convivere con qualche ora mancante; un avviso operativo non può.

Registra cosa è cambiato e quando

Gli edifici non si fermano. I sensori vengono sostituiti, ricalibrati o spostati; gli orari cambiano; i nomi dei punti vengono rivisti dopo un aggiornamento BMS. Ognuno di questi può cambiare il significato di un set di dati senza che un singolo valore sembri sbagliato, quindi un registro delle modifiche deve essere affiancato ai dati. Il quadro del NIST rileva che il mantenimento della provenienza dei dati di addestramento supporta la trasparenza e la responsabilità. In un edificio consente inoltre a un ingegnere di spiegare perché l'output di un modello è cambiato.

Il lavoro poco affascinante ha bisogno di un budget e di un proprietario

La preparazione dei dati è spesso il compito più impegnativo nella fase iniziale di un progetto di intelligenza artificiale e quello che con maggiore probabilità manca nel budget. Qualcuno deve mappare i punti su risorse e spazi, impostare controlli di qualità e relative soglie, correggere errori alla fonte e nella copia analitica, registrare modifiche a sensori, pianificazioni e sistemi e mantenere la mappatura aggiornata man mano che l'edificio si evolve. A meno che ciascuna di queste attività non abbia un proprietario nominato, il modello eredita le lacune.