AI og bygningsdrift

Det sidste år har vi alle fået mere og bedre indblik i AI, maskinlæring og algoritmer, fordi der pludselig var en ChatGPT, som kunne skrive tekster der gav lige så meget mening som dem vi mennesker kunne producere. Der har været mange morsomme forsøg, jeg har selv fået præsenteret 5 forslag til strategier for et firma som mit eget. Uden at vide at det var Rambøll, foreslog ChatGPT 5 vellydende strategibeskrivelser for et konsulenthus. I USA har man fået den til at bestå medicinsk embedseksamen, og mange har prøvet at få den til at omskrive tekster til en mere høflig tone. Det er gode eksempler, og den kan skrive marketingmateriale, varebeskrivelser andet trivielt indhold på meget kort tid, og faktisk få et bedre resultat end kommunikationsmedarbejderne, som dermed kan bruge tiden på mere meningsfyldt arbejde. Der har været forudsigelser om hvor hurtigt udviklingen ville gå, og de er alle gjort til skamme, for nu findes allerede en version der kan skabe film og lyd. De sjove eksempler er naturligvis at få Putin til at indrømme sine fejl fra en offentlig talerstol, eller få et Heavy Me- tal band til at spille et Taylor Swift nummer, eller gendanne bands som ikke selv ville gendannes.

Dette er næsten harmløst, i forhold til misinformationskampagner. Eller direkte fejl begået af maskinen.

Der er mange advarsler om ikke at tro alt hvad man ser og hører på internettet på grund af de nye muligheder, men løgne og misforståelser har jo altid været en del af nettet. Og det vil være en misforståelse at kategorisere AI som enten godt eller ondt. Så en kritisk indstilling og et faktatjek af kilder skal man altid have med sig på de Sociale Medier.

Hvad så med de rigtigt gode eksempler? Hvor teknologien gør nytte. Når man tager den i anvendelse på områder hvor vi opfatter mennesket som den højeste standard. Hvad med billeddiagnostikken, hvor der er store ventetider overalt. Computere kan køre døgnet rundt. Indtil nu har det vist sig at en trænet AI algoritme er bedre end mennesket til at finde anomalier i billeder. Så hvorfor er det ikke standard at grovsortere scanningsbilleder på den måde, og skrive direkte fra computeren til patientens egen læge at der ikke var noget unormalt at se på billedet? Man kunne så lade klinikeren nærstudere anomalier og derved optimere på ressourceanvendelsen. Vores mange scannere rundt på sygehusene skulle så lave optagelser i så højt tempo det kan lade sig gøre. Det som holder os tilbage, er den lille nagende tvivl om algoritmen kan overse noget som patienten dør af.

Men i optimeringen af vores bygningsdrift er der ikke helt så store ting på spil, så derfor bør denne teknologi tages i anvendelse i meget højere grad end den bliver i dag. Der er enkelte tiltag som er rullet ud, men der er ikke nogen bølge som ruller ind over os. Endnu. Vi ser at man optimerer rengøringsindsatsen ved at måle om rummene har været anvendt. Det sker med data fra adgangskontrol eller bookingsystemer. Det næste bliver nok at sætte dørovervågningen til at tælle hoveder, og give besked i køkkenet hvor mange der kan forventes at spise i kantinen i dag. På den måde vil man nedsætte madspildet alvorligt.

Sidste års voldsomme stigninger i energipriser burde have fået teknologien rullet ud i meget højt tempo, men der er ingen tvivl om at der var meget få som så den kobling. Årsagerne er sikkert mange, men den alvorligste er nok at de små optimeringer som kan gennemføres på daglig basis, lyder af meget lidt. Det er en kendsgerning at de fleste kurver til regulering af fremløbstemperaturen i blandesløjfer, kun passer på en del af året. Jeg husker nødvendigheden af at skifte kurve op til 4 gange årligt, og håber at alle husker at få det gjort. Installatøren har valgt en kurve som var optimal da anlægget blev installeret, og så passer den kun på den årstid. Det vil sige at de systemer som findes i dag, og som forudsiger temperaturbehovet ud fra morgendagens vejrudsigt, kan spare nogle få procenter. Det er en businesscase som er svær at trække investeringer på. Men det er samlet set ganske store beløb der kan spares ved at sætte sig foran CTS skærmen hver eneste dag, og optimere fremløbstemperaturer, indblæsningstemperaturer og ikke mindst driftstider.

Desværre tager de færreste organisationer sig tiden til at gøre det, og ingen har koblet de ekstreme energipriser vi har set, med en lille optimering hver dag. Vi har lettere ved at få øje på at nu skal vi skifte gasfyret ud med en varmepumpe, eller andre større investeringer.

Hvis man kan spare 1% på varmeregningen hver uge, har man sparet 40 % på et år. Det er renters renter om igen, et lille nøk hver dag bliver til utrolig meget på et år. Formlen lyder som (0,99)52=0,59.

Altså hvis vi kommer ned på 99 % af sidste uges forbrug hver eneste uge, ender vi på 60 % af det oprindelige forbrug.

Hvis vi derimod gør præcist som vi plejer, har vi det forbrug vi plejer at have, men nu er prisen så blevet højere, og dermed skal der spares andre steder, hvilket de færreste sygehuse har lyst til.

Og koblingen til AI systemer er at der findes flere aktører på markedet som kan styre varmen efter bygningens behov. Giv dem data fra CTS, og de hjælper dig med at finde den rigtige indstilling. Der er noget forskel på hvordan de forskellige systemer samler data ind, nogle installerer egne følere, andre kan tappe data fra CTS, men det virker som om der endnu kun er fragmenter, og ingen er kommet med den løsning som fungerer i alle situationer. De der fungerer ved at anvende vejrdata, data for anvendelse af huset, og tillært viden om den termiske profil af bygningen, kan til gengæld gøre det langt bedre end et menneske. Jeg hører tal på 20 % bedre end et dygtigt menneske, og endnu mere i forhold til det menneske som ikke gør noget for at optimere hver dag.

Hvis vi kobler ventilationen med ind, bliver der tale om større summer, for nu handler det om el. AUH har gennemført forsøg, hvor der slukkes for ventilationen på operationsstuerne når de ikke er i brug. Det medfører ikke forringet hygiejne at lade ventilationen styre af en PIR føler, med en justerbar efterløbstid. Benyttelsestiden for operationsstuer er lav, fordi de færreste specialer kan operere 8 timer dagligt 5 dage pr. uge. Det vil sige at mindst 16 timer i døgnet kan man slukke, og sandsynligheden taler for at det er mere.

Der kan være mange barrierer i at slippe AI løs i CTS systemet, nogle kunne frygte at der bliver justeret i forkert retning eller at der slukkes for noget som ikke må slukkes. Der kan være rent tekniske forhindringer, jeg har ikke rigtig set nogen CTS firmaer tilbyde algoritmer til optimering af energiforbrug, sikkert fordi efterspørgslen ikke er der. Til gengæld har jeg hørt nogle af de firmaer som kan lave algoritmerne have problemer med at få lov at gå ind i CTS anlæggene. Det kan man jo godt forstå, for hvem har så ansvaret hvis der sker fejl. Men der må kunne findes en løsning, hvor der findes en grænseflade til håndtering af de justeringer som en algoritme kan beregne sig frem til som optimale. Set fra samfundets side er besparelsespotentialet meget stort, både regnet som økonomi, energi og CO2 aftryk. I mange private ejendomme, har man en alvorlig barriere i de økonomiske incitamenter, da det er ejeren som skal bekoste investeringen, men det er lejeren som har udgiften til energi, og dermed besparelsen. Det er mere simpelt på sygehusene, da bygningen ejes af brugeren, som også skal betale for energien. Derfor kan der ikke være så meget tvivl om at kigge ind i om man skal slippe ChatGPT ind i CTS anlægget.