자동화만으로는 충분하지 않습니다. 건물에는 AI 기반 인텔리전스가 필요합니다.

건물은 항상 IoT 장치의 가장 열렬한 사용자 중 하나였습니다. 특히 스마트 빌딩은 연결된 장치를 사용하여 온도, 조명, 공기 질, 소음, 진동, 점유율 및 에너지 소비 등 모든 것을 측정하는데 이는 빙산의 일각에 불과합니다.

빌딩 자동화는 미국에서만 600만 개 이상의 상업용 건물과 약 22억 개의 연결된 장치가 배포되는 등 규모가 커지고 있습니다. 2022년에는 전 세계 빌딩 자동화 시스템 시장이 약 800억 달러에 이를 것으로 예상됩니다.

이러한 유형의 자동화는 수많은 IoT 장치에 의존합니다. 많은 조건부 조치 응답은 자동입니다. 화재가 감지되면 음성 명령을 통해 자동으로 경보가 울리고 소방서에 통보됩니다. 이는 사물 인터넷이 출현하기 전에도 마찬가지였습니다. 이제 화재 경보기는 인터넷을 통해 연결되고 2차적으로는 셀룰러 통신을 통해 연결됩니다.

특히 빌딩 자동화에서 IoT의 가치는 크게 두 가지 영역에 있습니다.

• 실내 기기에서 생성된 데이터와 이 데이터를 분석하고 활용하는 방법.
• 빌딩 자동화 시스템을 통해 운영 및 관리가 수행됩니다.

풍부하고 지속적인 데이터 스트림은 건물 운영에 대한 귀중한 통찰력을 제공하지만 문제가 있습니다. 대규모 장비는 인간만으로는 제대로 구문 분석하고 이해할 수 없는 방대한 양의 데이터를 생성합니다. 이러한 센서(및 카메라) 배포로 인한 잠재적인 수익을 실현하려면 데이터 흐름을 지속적으로 모니터링하고 평가하기 위한 인공 지능(AI) 및 기계 학습(ML)이 필요합니다.

자동화만으로는 일을 할 수 없습니다

2020년까지 빌딩 자동화를 포함한 스마트 빌딩 시스템의 초점은 시설 관리의 책임이었습니다. 그런 다음 시설 관리 외에도 직원 복지 및 ESG 프로그램에 중점을 둡니다. 이로 인해 ML 지원 기능이 필요해졌습니다.

예를 들어 AI 시스템은 공기 질을 살펴보고 점유 제한과의 상관 관계를 찾을 수 있습니다. 또한 직원 간 물리적 거리를 최대화하고 공기 질을 개선하여 직원이 감염될 가능성을 줄이기 위해 점유 및 환기와 관련된 회의실 및 큐비클을 재배치하는 방법도 배울 수 있습니다.

AI는 또한 수도관 사용량과 수온을 분석하여 레지오넬라균 및 기타 유해한 병원체의 위험이 증가할 때 경고를 발령하는 데 도움을 줄 수 있습니다. 레지오넬라는 특정 온도 범위의 따뜻한 물에서 번성합니다.

새로운 AI 기능의 관련성은 에너지 소비 추적 및 관리와 같은 기존 기능을 배제하지 않습니다. AI 기반 플랫폼을 사용하면 건물은 사용하지 않는 공간을 차단하고 에너지 사용을 최소화하기 위해 각기 다른 시간에 다양한 커튼 설정을 시도할 수 있습니다. 실험과 학습을 동시에 해보세요. 이는 에너지 가격으로 인해 2022년에 더욱 중요해질 근본적인 문제입니다.

AI는 어떤 테이블이 사용되었는지, 어떤 화장실의 사용량이 증가했는지 식별하여 청소 효율성을 높이는 역할도 할 수 있습니다. 코로나19 시대, 시설 관리자들은 청소에 집중하고 있습니다.

AI는 물리적 보안을 지원하는 시스템을 크게 향상시킬 수도 있습니다. 시스템이 정상적인 액세스 및 이동 동작을 이해하면 비정상적인 동작을 식별하고 보안 경고를 발생시킬 수 있습니다. 다른 AI 기반 애플리케이션은 협박 상황, 버려진 물체를 감지하고, 무기를 식별하고, 사격 위치를 찾아내고, 비상 잠금을 수행할 수 있습니다.

스마트 감염병 관리 시스템은 지역 감염률 데이터를 활용하여 학습할 수 있습니다. AI 시스템은 인간이 할 수 없는 일을 할 수 있습니다. 예를 들어 20년 동안 벽을 응시하면서 구조적 붕괴가 임박했다는 신호를 보낼 수 있는 콘크리트의 변화 징후를 찾는 것입니다.

스마트 빌딩에 인공 지능 적용

물론 새로운 AI 기반 시스템의 표준 출발점은 이를 가르치는 것입니다. 프로세스는 시스템이 직면하게 될 현실을 나타내는 데이터베이스에서 시작됩니다. 그러나 많은 사람들은 스마트 빌딩 시스템을 위한 좋은 기본 훈련 데이터가 존재하지 않는다는 것을 알게 될 것입니다. 대답은 실제 건물에서 "실험"을 실행하여 훈련 데이터를 생성하는 것일 수 있습니다.

예를 들어, 에너지 소비와 관련하여 시간과 사무실 점유 시간을 기준으로 커튼과 에어컨을 실험적으로 조정하여 시스템을 훈련함으로써 수동 오버라이드를 실행하지 않고도 에어컨 요금을 낮출 수 있습니다. 이러한 시스템은 햇빛 감지뿐 아니라 온도 센서와 점유 판독값에 의존할 수 있습니다.

따라야 할 몇 가지 기본 모범 사례가 있습니다. 실제 데이터 세트를 수집할 때 과학적 엄격함을 사용하고 여러 소스에서 데이터를 수집하여 샘플이 대표성에 대한 신뢰도를 높입니다.

AI 기반 시스템은 특정 사무실 영역의 점유 패턴을 학습하여 공간 계획 시 인적 오류를 줄이는 데 도움이 됩니다. 공간을 업그레이드하는 데는 비용이 많이 들고 유연성을 유지하는 것이 중요합니다. 팬데믹 기간 동안 공간 활용과 점유는 분명히 건강 문제가 되었습니다. 이제 직원들은 작은 휴게실보다는 야외 발코니나 테라스에 모여 이야기를 나누고 커피를 마시는 것을 선호할 수 있습니다.

AI 기반 건설 관리는 어디로 가고 있나요?

인공 지능 시스템은 시설 관리의 변화를 제안하고 건설 관리를 더욱 예측 가능하게 만듭니다. 대응력에 관해 말하자면, 예상치 못한 문제에 보다 효과적으로 대응할 수도 있습니다. 2020년 이전의 최근 사례에서는 발열이 있는 직원을 식별하고 감염 가능성을 줄이는 것이 불가능했지만 이 문제는 현재 역량 내에서 해결될 수 있습니다.

기본적인 사실을 올바르게 파악하려면 세심한 고려와 시간 투자가 필요합니다. 많은 상업용 건물에는 건축가가 건물 소유자 또는 관리자에게 전달하는 디지털 트윈이 있습니다. 출발점으로 디지털 트윈은 AI 기반 시설 관리와 스마트 빌딩 관리의 검증장이 될 가능성이 높습니다.

IT, 시설관리, HR, 보안이 더욱 통합되고 AI 활용도가 높아질 것으로 기대합니다. AI 애플리케이션을 위한 데이터 흐름을 생성하기 위해 정보 사일로를 결합하면 다양한 이점을 얻을 수 있습니다.

건강한 작업장, 물리적 보안 및 에너지 보존의 중요성으로 인해 단순한 자동화를 넘어 최신 데이터를 기반으로 구축된 신뢰할 수 있는 AI 기반 건물 운영 체제를 개발하는 것이 시급합니다. 이러한 애플리케이션은 모두 강력한 비즈니스 사례를 지원합니다. 시설 관리가 스마트 빌딩을 운영하고 건물을 더 스마트하게 만들기 위해 AI 기반 애플리케이션을 살펴봐야 한다는 것은 설득력 있는 주장입니다.

위 내용은 자동화만으로는 충분하지 않습니다. 건물에는 AI 기반 인텔리전스가 필요합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!