Gebäude gehören zu den größten Energieverbrauchern des Planeten und sind für einen erheblichen Anteil der weltweiten Treibhausgasemissionen verantwortlich. Seit Jahrzehnten verlassen sich die Systeme, die Heizung, Kühlung und Beleuchtung steuern, auf feste, regelbasierte Anweisungen. Diese Systeme werden einmal eingerichtet und selten geändert, wobei sie Schwierigkeiten haben, sich an wechselnde Wettermuster, sich ändernde Personenzahlen in den Gebäuden oder den natürlichen Verschleiß der Maschinen anzupassen. In den letzten Jahren haben Ingenieure versucht, dieses Problem durch künstliche Intelligenz zu lösen, in der Hoffnung, dass intelligente Algorithmen aus Daten lernen könnten, um Gebäude effizienter zu betreiben. Es ist jedoch eine kritische Lücke zwischen dem Versprechen dieser intelligenten Systeme und der Realität ihrer Anwendung entstanden. Während künstliche Intelligenz in der digitalen Welt floriert, in der ein Fehler mit einem einfachen Klick rückgängig gemacht werden kann, existieren Gebäude in der physischen Welt. Dort führt eine schlechte Entscheidung nicht nur dazu, dass eine Datei gelöscht wird; sie verschwendet Energie, die nicht zurückgewonnen werden kann, sorgt für Unbehagen bei den Menschen oder beschädigt teure Ausrüstung.

Ein Forschungsteam aus Österreich, das in den Bereichen Bauingenieurwesen und Informatik arbeitet, hat sich zum Ziel gesetzt, diese Lücke zu schließen. Sie argumentieren, dass die Standardmethoden, die zum Bauen und Testen von Software mit künstlicher Intelligenz verwendet werden, für die physische Welt des Gebäudemanagements unzureichend sind. Ihre Arbeit, die auf zwei laufenden Projekten unter Beteiligung realer Universitätsgebäude basiert, identifiziert, warum aktuelle Ansätze scheitern, und schlägt einen neuen Weg vor. Sie fanden heraus, dass die Behandlung eines Gebäudes wie ein Standard-Computerprogramm die langsame, unordentliche und irreversible Natur physischer Systeme ignoriert. Anstatt sich auf die riesigen Mengen an sauberen Daten zu verlassen, über die digitale Systeme verfügen, schlagen sie vor, Systeme zu entwickeln, die mit begrenzten, verrauschten Informationen funktionieren können. Sie betonen zudem, dass Gebäudemanager rechtlich für Sicherheit und Komfort verantwortlich sind und daher in der Lage sein müssen, die künstliche Intelligenz zu verstehen und zu übersteuern, was Transparenz zu einer Anforderung statt zu einem optionalen Merkmal macht.

Die Forscher stellten zunächst fest, dass die Standardregeln des Software-Engineerings nicht gelten, wenn die Software eine physische Umgebung steuert. In der digitalen Welt sind die Folgen eines fehlerhaften Vorhersageprogramms oft auf eine schlechte Nutzererfahrung oder einen verlorenen Verkauf begrenzt, und der Fehler kann schnell behoben werden. In einem Gebäude hat eine fehlerhafte Steuerungsentscheidung unmittelbare physische Kosten. Wenn eine künstliche Intelligenz versehentlich gleichzeitig die Heizung und die Kühlung einschaltet, ist diese Energie für immer verloren. Wenn sie verursacht, dass die Temperatur stark schwankt, verlieren die Bewohner das Vertrauen in das System, und der Gebäudemanager schaltet es möglicherweise einfach aus, wodurch die Technologie nutzlos wird. Noch schlimmer ist, dass aggressive Änderungen an den Geräteeinstellungen mechanischen Stress verursachen können, der die Lebensdauer der Maschinen verkürzt. Während echte Katastrophen wie Brände aufgrund eingebauter Sicherheitsmechanismen in Gebäuden selten sind, verändert der kumulative Effekt kleiner, irreversibler Fehler alles darüber, wie die Software gebaut werden muss.

Um diese einzigartigen Herausforderungen zu bewältigen, identifizierten die Forscher mehrere Kernprobleme, die beim Übergang von der Theorie zur Praxis auftreten. Ein wesentliches Problem ist die Art der Daten. In vielen digitalen Anwendungen sind Daten reichlich vorhanden und sauber. In Gebäuden sind Daten oft spärlich, verrauscht und über verschiedene Systeme verteilt, die nicht miteinander kommunizieren. Ein einzelnes Gebäude kann Heizsysteme aus den 1990er Jahren, Lichtsteuerungen aus dem Jahr 2010 und moderne Sensoren besitzen, die alle unterschiedliche Sprachen und Formate verwenden. Das Sammeln dieser Daten ist schwierig, und Sensoren driften im Laufe der Zeit oft aus der Kalibrierung. Die Forscher fanden heraus, dass der Versuch, komplexe Modelle zu bauen, die perfekte Daten erfordern, zu fragilen Systemen führt, die in der realen Welt versagen. Stattdessen plädieren sie für das Prinzip des Datenminimalismus. Dies bedeutet, Systeme so zu konzipen, dass sie mit den begrenzten, unvollkommenen Daten arbeiten können, die tatsächlich vorhanden sind, anstatt auf perfekte Bedingungen zu warten, die vielleicht nie eintreffen werden.

Ein weiterer kritischer Befund ist, dass das direkte Testen dieser Systeme an realen Gebäuden zu riskant ist. Im Gegensatz zu digitaler Software, bei der Entwickler zwei Versionen nebeneinander laufen lassen können, um zu sehen, welche besser funktioniert, kann man nicht zwei widersprüchliche Heizstrategien im selben Gebäude testen, ohne das Wohlbefinden der Menschen darin zu gefährden. Die Forscher beobachteten auch, dass die ausschließliche Abhängigkeit von Computersimulationen unzureichend ist, da sich reale Gebäude niemals exakt so verhalten wie ihre digitalen Modelle. Thermische Masse, Wetter und menschliches Verhalten erzeugen Verzögerungen und Variationen, die schwer vorhersehbar sind. Um dies zu lösen, schlagen sie einen „Simulation-First“-Ansatz vor, bei dem neue Strategien intensiv in einem virtuellen Abbild des Gebäudes getestet werden, bevor sie jemals eingesetzt werden. Dieses virtuelle Abbild, bekannt als Digitaler Zwilling, ist nicht nur ein statisches Modell, sondern ein lebendiges Abbild, das mit Echtzeitdaten aus dem tatsächlichen Gebäude aktualisiert wird. Es ermöglicht der künstlichen Intelligenz, verschiedene Aktionen zu erkunden und aus Fehlern zu lernen, ohne realen Schaden anzurichten.

Der menschliche Faktor spielt ebenfalls eine zentrale Rolle in ihren Erkenntnissen. In digitalen Anwendungen ignorieren Nutzer eine Empfehlung einfach, wenn sie ihr nicht vertrauen. In einem Gebäude wird ein Facility Manager das System komplett deaktivieren, wenn er dem System nicht vertraut. Da diese Manager rechtlich für die Sicherheit und den Komfort der Bewohner verantwortlich sind, müssen sie verstehen, warum das System eine Entscheidung trifft. Die Forscher argumentieren, dass Erklärbarkeit nicht nur ein nettes Zusatzfeature, sondern eine grundlegende Voraussetzung für die Akzeptanz ist. Wenn eine künstliche Intelligenz ihre Gründe nicht in einfacher Sprache erklären kann oder wenn sie bei Bedarf nicht manuell übersteuert werden kann, wird sie nicht genutzt werden. Das bedeutet, dass die Software von Anfang an transparent gestaltet sein muss, indem sie klare Gründe für ihr Handeln liefert und es Menschen ermöglicht, einzugreifen, wenn nötig.

Das Team schlägt vor, dass der Weg nach vorne darin besteht, die Herangehensweise der Ingenieure an diese Probleme zu ändern. Sie schlagen vor, dass der Digitale Zwilling das zentrale Werkzeug für die Entwicklung sein sollte, der als sicherer Raum für Tests dient und als Möglichkeit fungiert, Daten für seltene Situationen zu generieren. Sie betonen auch, dass der Arbeitsablauf von der Planung bis zum Einsatz integriert sein muss, indem das physische Modell des Gebäudes mit der künstlichen Intelligenz und den Steuerungssystemen verknüpft wird. Dieser Ansatz erkennt an, dass Gebäude komplexe physische Systeme sind, die der Thermodynamik unterliegen, und nicht nur Datenmustern. Die Forscher weisen vorsichtig darauf hin, dass ihre Arbeit eher ein Ausgangspunkt für eine neue Forschungsagenda als eine fertige Lösung ist. Sie haben die fehlenden Teile identifiziert und eine Reihe von Praktiken vorgeschlagen, räumen aber ein, dass diese Ideen erst in der Praxis validiert werden müssen. Das Ziel ist es, eine Grundlage für die Entwicklung von künstlicher Intelligenz zu schaffen, die robust, sicher und von den Menschen, die mit ihr leben und arbeiten müssen, vertrauenswürdig ist.

Letztendlich verdeutlicht die Arbeit, dass die Herausforderung, künstliche Intelligenz in Gebäude zu bringen, nicht nur ein technisches Problem besserer Algorithmen ist, sondern ein Software-Engineering-Problem im Umgang mit physischen Konsequenzen. Die Forscher fanden heraus, dass der Erfolg davon abhängt, die Gesetze der Physik, die Grenzen der verfügbaren Daten und die Notwendigkeit des menschlichen Vertrauens zu respektieren. Indem sie das Gebäude primär als physisches System und sekundär als Datenquelle behandeln, bieten sie einen Entwurf für intelligente Gebäude, die in der realen Welt tatsächlich funktionieren. Ihre Ergebnisse legen nahe, dass die Zukunft des Gebäudemanagements nicht darin liegt, das menschliche Urteilsvermögen durch Maschinen zu ersetzen, sondern in der Schaffung von Systemen, die die menschliche Aufsicht unterstützen, während sie sich durch die komplexe, langsame und irreversible Natur der physischen Welt bewegen.