A mesterséges intelligencia sosem lehet okosabb annál az adatnál, amivel etetik
Így fogalmaz Kevin Scarborough, a Siemens Smart Infrastructure igazgatója egy podcastban.
Két évig szinte kongtak az irodák, az egyetemi campusok és a bevásárlóközpontok. Ezt a két covidos évet egy energiafogyasztást előrejelző rendszernek leginkább el kell felejtenie, ha ma jól akar működni.
Ez nem elvi kérdés — pontosan ez az, ami egy okos épület mesterséges intelligenciáját megkülönbözteti egy rosszul betanított rendszerétől. Scarborough, a Siemens Smart Infrastructure amerikai energiaszolgáltatási igazgatója szakmai podcastban mesélte el,
hogyan fut zátonyra a magától értetődőnek tűnő ökölszabály, miszerint egy előrejelző rendszernek minél több múltbeli adatra van szüksége, annál pontosabban dolgozik.
Energetikai mérnökként tapasztalata szerint egy létesítményvezető rendszerint két-három évnyi közmű-adatot szeretne látni, mielőtt nekilát az energiafogyasztás modellezésének. Csakhogy 2020 és 2021 pont ebbe az idősávba esik: ezek voltak az évek, amikor az épületek jó része hetekig-hónapokig üresen állt. Egy ilyen időszakból származó adat nem azt mutatja meg az AI-nak, hogyan viselkedik egy ténylegesen használt épület – hanem azt, hogy miként viselkedik egy lezárt épület.
Ha ezt például egy előrejelző modell nem tanulja meg, az eredmény olyan lesz, mint egy időjárás-előrejelzés, ami vulkánkitörés utáni évet vesz átlagosnak.
Amennyi elég – és nem egy cseppel több
A Siemens szerint nem az a fontos, hogy minél több adat álljon rendelkezésre, hanem hogy a megfelelő adat álljon rendelkezésre – olyan, ami tényleg arról az állapotról szól, amit előre kell jelezni. Ez épületenként, sőt helyiségenként is változhat. Olyan tárgyalóban, ahol naponta egyetlen megbeszélés zajlik, akár két hét adata is elegendő lehet a légkezelő optimalizálásához, ha a kültéri hőmérséklet abban a két hétben kellően változatos ahhoz, hogy reprezentatív lehessen. Az egész épület energiagazdálkodásához viszont már évekre visszamenő, de a rendellenes időszakoktól megtisztított adatsor kell.
Ehhez a Siemens elmondása szerint gyakran képi adatokat is bevonnak: egy-egy berendezésről vagy motorról készült fotó alapján az AI rákereshet a gyártó műszaki dokumentációjára, ami felgyorsítja a karbantartást.
Emellett a rendszer felhasználja a karbantartási munkalapok teljes előzményét is: ha a szakember pontosan látja, mikor és milyen beavatkozás történt egy adott berendezésen korábban, gyorsabban tud dönteni új probléma esetén.
Az időjárási adatok pedig azért fontosak, mert egy légkezelő berendezés vezérlése és a megtakarítható energia mennyisége nagyban függ a kültéri hőmérséklet alakulásától. Ehhez a rendszerek jellemzően API-kon keresztül érik el a külső adatforrásokat. (API, application programming interface, vagyis szoftveres közvetítő felület, ami lehetővé teszi, hogy két program adatot cseréljen egymással anélkül, hogy ismernie kellene a másik belső működését.)
Egy okos épület Svédországban: mérték is, mennyit ér
Hogy mindez a gyakorlatban mit jelent, azt jól mutatja egy nem Siemens-forrásból, a Memoori nevű, épületipari mesterséges intelligenciákra szakosodott piackutató cég 2026-os elemzéséből ismert eset.
Az NWT Media svéd médiavállalat 56 irodáját, öt emeleten, a Siemens Comfort AI nevű szoftverére kötötték rá. Ez a Building X nevű felhőalapú épületmenedzsment-platform egyik alkalmazása, amely tizenöt percenként újraszámolja az egyes zónák optimális hőmérséklet-beállítását a helyiséghőmérséklet, a szelepállások, a napsugárzás, a kültéri időjárás és a foglaltsági adatok alapján.
Nyolc hónapos üzemelés után a mérési adatok havi átlagban 6,4 százalékos energiaköltség-megtakarítást mutattak – és
ehhez nem kellett új fűtő- vagy hűtőberendezés, csak az, hogy a rendszer a megfelelő, tisztított adatokból tanuljon.
Három dolog, ami könnyen elronthatja az egészet
A Siemens szerint az energiaipari mesterséges intelligencia három ponton bukhat el, és egyik sem technológiai jellegű. Az első az adatbiztonság: mivel ezen a téren még alig van kialakult szabályozás, a kockázat és a lehetőség egyszerre van jelen – utóbbi épp abban, hogy az iparági szervezetek (a Siemens például az amerikai fűtés-, hűtés- és légkondicionáló mérnökök szövetségét, az ASHRAE-t említi) közösen dolgozzanak ki bevált gyakorlatokat, míg a kockázat abban rejlik, hogy rosszindulatú szereplők férnek hozzá a rendszerekhez.
A második az adatkormányzás: ha egy generatív mesterséges intelligencia épületfelügyeleti rendszerrel kommunikál, a bemeneti adatoknak egységes formátumban és kategóriákban kell érkezniük, különben adat-szigetek alakulnak ki, amelyek megakadályozzák az információ megosztását.
A harmadik veszélyforrás – és a Siemens szerint ez fontos, bár a legkevésbé kézzelfogható – a mesterséges intelligenciába vetett túlzott bizalom: ha egy szervezet mindent az AI-ra bíz, elvész a kreatív rálátás, amit csak emberi felügyelet ad. Ez könnyen vezethet torz döntésekhez, különösen a generatív rendszerek esetén.
A mesterséges intelligencia végső soron sosem lehet okosabb annál az adatnál, amivel etetik.
A hálózat oldalán is hasonló logika érvényesül
Az épületek mellett a Siemens az energiaelosztás oldalán is dolgozik hasonló elven működő szoftvereken – az Electrification X nevű platform a transzformátorállomások és más hálózati eszközök átfogó felügyeletét, a Gridscale X pedig a hálózatüzemeltetők tervezési és karbantartási folyamatainak digitalizálását szolgálja, nagy mennyiségű hálózati adat feldolgozásával. Ez utóbbi témát – a hálózati oldal mesterséges intelligenciáját és az ehhez kapcsolódó szabályozási kérdéseket – hamarosan külön cikkben is körüljárjuk.
Magyarországon is jelen vannak a Siemens komfortautomatikai komponensei középületekben és irodaházakban.
Matthias Rebellius, a Siemens Smart Infrastructure korábbi vezérigazgatója szerint a megbízható energiaellátás mára a vállalatok és önkormányzatok listáján az első számú infrastrukturális prioritássá vált.
Ez a változás is jelzi, mekkora tétje van annak, hogy a mesterséges intelligencia megfelelő adatokból tanuljon – s nem a rendelkezésre álló legtöbb, hanem a ténylegesen releváns adatokból.