Zacznijmy od najważniejszej historii. W grudniu 2015 r. w San Francisco grupa inwestorów (m.in. Elon Musk, Amazon Web Services, Infosys czy Sam Altman) założyła laboratorium badawcze o nazwie OpenAI, które miało na celu rozwijanie sztucznej inteligencji przyjaznej dla człowieka. Do laboratorium dołączyło dziewięcioro znakomitych naukowców, w tym Polak z Kluczborka Wojciech Zaremba, który studiował informatykę na Uniwersytecie Warszawskim. Po prawie 7 latach, ostatniego dnia listopada 2022 r., świat poznał ChatGPT – bot sztucznej inteligencji, który wykorzystuje sieci neuronowe i maszynowe uczenie się do generowania tekstu na podstawie zadanej podpowiedzi (z ang. prompt). Modele GPT są wykorzystywane obecnie przez większość narzędzi sztucznej inteligencji do generowania tekstu, obrazu, a nawet filmów, prezentacji czy muzyki. Dzięki łatwej integracji tych modeli bardzo szybko nastąpiło nagłe rozpowszechnienie narzędzi, które mogą nadbudowywać funkcjonalności, zamiast tworzyć podwaliny od zera.
Jak do tego doszliśmy? To wszystko nie byłoby możliwe, gdyby komputery nie osiągnęły piorunującej mocy obliczeniowej, dzięki której mogą przetwarzać ogromną ilość danych i jednocześnie się z nich uczyć. Taka moc płynie z rozwoju technologii półprzewodnikowej, która zgodnie z prawem Moore’a rośnie wykładniczo [Gordon Moore, amerykański informatyk, współzałożyciel firmy Intel, postawił w 1965 r. bardzo odważną teorię, wynikającą z obserwacji, że ekonomicznie optymalna liczba tranzystorów w układzie scalonym zwiększa się dwukrotnie w identycznych odcinkach czasowych. Gordon Moore zmarł w marcu tego roku, ale jego teoria sprawdzała się do tej pory nie tylko co do mocy obliczeniowej komputerów, ale także jeśli chodzi o rozmiary pamięci i przepustowość sieci komputerowych. Pamiętajmy, że ten proces się nie zatrzymał i nadal będzie się dynamicznie rozwijał. Nie zostało nam jednak tak wiele do osiągnięcia fizycznej granicy zmniejszania układów scalonych wynikającej z rozmiaru atomów i prędkości światła, co z pewnością będzie przyczynkiem do kolejnych technologicznych innowacji].
Trzecim, ostatnim głównym powodem tak zawrotnego rozwoju sztucznej inteligencji jest dostęp do informacji. Niektórzy żartują, że jeśli czegoś nie ma w internecie, to znaczy, że to nie istnieje – wynika to z faktu, iż praktycznie cała wiedza posiadana przez ludzi została już zdigitalizowana. Komputer nie nauczy się niczego z powietrza, potrzebuje dostępu do danych. Im ich więcej, tym większe ma możliwości analizy czy korelacji teoretycznie niezależnych zbiorów.
Jak to wszystko odnieść do nieruchomości?
Już dziś istnieje wiele efektywnych narzędzi wykorzystujących algorytmy modeli sztucznej inteligencji w celu zwiększenia wydajności, produktywności i poprawy doświadczeń użytkowników biur. Jednym z godnych uwagi zastosowań sztucznej inteligencji w budynkach biurowych są inteligentne systemy oświetleniowe. Badania przeprowadzone przez Międzynarodową Agencję Energii sugerują, że integracja sztucznej inteligencji ze sterowaniem oświetleniem może prowadzić do znacznych oszczędności energii. Na przykład czujniki wyposażone w algorytmy sztucznej inteligencji mogą wykrywać wzorce użytkowania w budynku i odpowiednio dostosowywać poziomy oświetlenia, zmniejszając niepotrzebne zużycie energii w okresach niskiej aktywności. Ponadto systemy HVAC zasilane sztuczną inteligencją okazały się pomocne w optymalizacji kontroli temperatury w oparciu o analizę danych w czasie rzeczywistym. Badanie przeprowadzone przez firmę Siemens wykazało, że wdrożenie inteligentnego systemu grzewczego obniżyło koszty energii o 30% przy jednoczesnym zachowaniu optymalnego komfortu dla mieszkańców.
Innym godnym uwagi przypadkiem użycia AI jest wdrożenie wirtualnych asystentów lub chatbotów w środowiskach biurowych. Te interfejsy konwersacyjne oparte na przetwarzaniu języka naturalnego (NLP) umożliwiają pracownikom szybki i efektywny dostęp do informacji bez opuszczania biurka i przerywania pracy. Na przykład wirtualna asystentka Microsoftu „Cortana” może planować spotkania, odpowiadać na pytania dotyczące zasad lub procedur firmy, a także bezproblemowo dostarczać aktualizacje pogody za pomocą poleceń głosowych lub interakcji tekstowych.
Co więcej, ze względu na rosnące zagrożenia, takie jak nieautoryzowany dostęp i kradzieże, bezpieczeństwo stało się nadrzędną kwestią w nowoczesnych budynkach biurowych. Systemy nadzoru oparte na sztucznej inteligencji oferują solidne rozwiązania zdolne do wykrywania podejrzanych zachowań lub identyfikowania osób stwarzających potencjalne zagrożenie w oparciu o technologię rozpoznawania twarzy. Takie firmy jak Deep Sentinel z Kalifornii wykorzystują algorytmy głębokiego uczenia w połączeniu z transmisją wideo na żywo, aby skutecznie monitorować obiekty i ostrzegać personel ochrony w czasie rzeczywistym w przypadku wykrycia jakichkolwiek nietypowych działań.
Ponadto włączenie technik uczenia maszynowego do zarządzania obiektami umożliwia stosowanie praktyk tzw. predictive maintanance, które minimalizują przestoje i znacznie obniżają koszty operacyjne. Analizując dane historyczne z różnych źródeł, takich jak czujniki sprzętu lub dzienniki konserwacji, przy użyciu zaawansowanych algorytmów możliwe staje się identyfikowanie wzorców wskazujących na zbliżające się awarie, zanim one wystąpią, umożliwiając proaktywne interwencje zamiast reaktywnych napraw.
Ostatnim, jednocześnie moim ulubionym przykładem jest wykorzystanie sztucznej inteligencji do podpowiadania zmian aranżacyjnych w biurze na podstawie danych o jego zajętości. Agregowane dane z systemu rezerwacji miejsc pracy wraz z danymi z czujników zajętości biurek i sal konferencyjnych sztuczna inteligencja potrafi zestawić z informacjami o wykonywanych spotkaniach online i na żywo (dane ze środowiska Microsoft) czy danymi z badań zaangażowania pracowników.
Ogólnie rzecz biorąc, przykłady te pokazują, w jaki sposób wykorzystanie technologii sztucznej inteligencji w budynkach biurowych może przynieść znaczne korzyści – od optymalizacji zużycia mediów, po zwiększanie produktywności pracowników. Sztuczna inteligencja rewolucjonizuje sposób, w jaki projektujemy nowoczesne miejsca pracy i zarządzamy nimi.
Od czego zacząć?
Współpracując ze sztuczną inteligencją, mamy dwa poziomy interakcji:
- Od nas do AI – musimy ją najpierw nakarmić danymi, bez niej sztuczna inteligencja się niczego nie nauczy.
- Od AI do nas – musimy zdecydować, na co pozwalamy sztucznej inteligencji: czy ma generować podpowiedzi dla nas, czy bezpośrednio działać, np. bot samodzielnie zmieniający zadane temperatury w celu optymalizacji zużycia energii ma jak najbardziej sens przy dzisiejszych możliwościach, ale autogenerowanie i negocjowanie zapisów umów najmu może być jeszcze ryzykowne (chociażby z tego powodu, że nie są to dziś publiczne dane, więc AI mogło się tego jeszcze nie nauczyć tak dobrze jak grania w szachy).
Warto więc zacząć od definicji swojej strategii danych. Strategia danych musi zawierać:
- Cele, które chcemy realizować (mogą to być cele środowiskowe, cele biznesowe związane z przychodami i kosztami nieruchomości, cele związane z komfortem użytkowników).
- Zakres danych, jakie chcemy zbierać (do tego potrzebne są często odpowiednie urządzenia i systemy, np. czujniki światła naturalnego czy hałasu, czujniki obecności, kamery, czytniki dostępu).
- Koncepcję integracji danych, czyli w jaki sposób będzie można wymieniać dane pomiędzy systemami.
Na to wszystko można nakładać narzędzia sztucznej inteligencji. Potrzebujemy jednak podstaw, np. jeśli budynek w żaden sposób nie mierzy swojej zajętości, AI nie będzie w stanie wykorzystać czynnika obecności czy analizy typowych zachowań użytkowników w zakresie wykorzystania powierzchni do optymalnego zarządzenia oświetleniem czy temperaturą budynku. Może za to sterować tymi ustawieniami na podstawie predykcji pogody, czyli danych ogólnodostępnych.
Jednym z kluczowych elementów przygotowania budynku na przyszłość jest opracowanie koncepcji integracji danych i – mówiąc brutalnie – wymuszanie na dostawcach systemu już dziś, aby systemy, na które się decydujemy, posiadały API oraz ontologię danych.
Większość nowoczesnych systemów posiada dziś API (Application Programming Interface). Jest to spisany zbiór reguł, dzięki którym inne systemy mogą wchodzić w interakcję z danym narzędziem informatycznym. Każda funkcjonalność, którą kiedyś chcielibyśmy móc zintegrować z inną aplikacją, powinna być opisana w dokumentacji API. Przykłady:
- Dzięki API dostawca aplikacji najemcy może zintegrować się z systemem parkingowym budynku, tak aby wpuszczać do garażu tylko pracowników, którzy zrobili rezerwacje na dany dzień.
- Dzięki API dostawca systemu raportującego ślad węglowy będzie mógł wizualizować zużycie energii najemcy w jego globalnym systemie. Zarządca nie będzie musiał poświęcać jednego dnia w miesiącu, aby przygotować tabelkę w Excelu w tym zakresie.
Ontologia danych to jeszcze zupełna nowość na rynku, w stosunku do której dostawcy systemów są dosyć oporni. Jednak warto walczyć, bo ontologia da nam ogromne możliwości czytania danych w przyszłości. Każdy system, np. BMS, definiuje typy jednostek danych, które istnieją w danym środowisku. Ontologia to zestaw modeli, które kompleksowo opisują daną domenę, jak: produkcja, struktury budowlane, systemy IoT, inteligentne miasta, sieci energetyczne, zawartość internetowa i inne. Na rynku istnieją ustandaryzowane ontologie, tj. haystack, BRICK, Azure Digital Twin czy Google Digital Twin Project, które zdefiniowały sposób tworzenia dzienników danych dla budynków. To trochę tak jak z tworzeniem języków – albo nasz budynek będzie mówił po angielsku i każdy system go odczyta, albo będzie mówił w Suahili i za każdym razem trzeba będzie wynająć tłumacza i polegać na jego interpretacji. Zapewniając spójność i przejrzystość relacji danych, cyfrowy bliźniak może służyć jako kompleksowa reprezentacja różnych komponentów budynku biurowego i ich interakcji.
Zbieranie zestawów danych w czasie rzeczywistym lub historycznych za pomocą większej ilości czujników ma kluczowe znaczenie dla dokładnego wypełnienia modelu cyfrowego bliźniaka, przy jednoczesnym przestrzeganiu standardów branżowych, takich jak BIM, zapewniając interoperacyjność różnych zestawów danych. Postępując zgodnie z tym logicznym podejściem, zarządcy, właściciele i najemcy obiektów mogą wykorzystać moc cyfrowych bliźniaków, aby poprawić wydajność i wskaźniki ESG swoich budynków biurowych.
