Software Engineering for AI-driven Building Operation
Cet article identifie les défis uniques en génie logiciel liés au déploiement des opérations de bâtiments pilotées par l'IA — où les défaillances entraînent des conséquences physiques irréversibles plutôt que simplement numériques — et propose un nouveau fondement ainsi que des meilleures pratiques pour combler l'écart entre les pratiques existantes du génie logiciel de l'IA et la nature critique pour la sécurité des systèmes de bâtiments cyber-physiques.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les bâtiments figurent parmi les plus grands consommateurs d'énergie sur la planète, étant responsables d'une part importante des émissions mondiales de gaz à effet de serre. Pendant des décennies, les systèmes qui gèrent le chauffage, le refroidissement et l'éclairage ont reposé sur des instructions fixes et basées sur des règles. Ces systèmes sont installés une fois pour toutes et sont rarement modifiés, peinant à s'adapter aux changements de modèles météorologiques, aux variations du nombre de personnes à l'intérieur ou à l'usure naturelle de la machinerie elle-même. Au cours des dernières années, les ingénieurs se sont tournés vers l'intelligence artificielle pour résoudre ce problème, espérant que des algorithmes intelligents pourraient apprendre des données pour faire fonctionner les bâtiments plus efficacement. Cependant, un fossé critique est apparu entre la promesse de ces systèmes intelligents et la réalité de leur mise en œuvre. Si l'intelligence artificielle prospère dans le monde numérique, où une erreur peut être annulée d'un simple clic, les bâtiments existent dans le monde physique. Là, une mauvaise décision ne se contente pas de supprimer un fichier ; elle gaspille de l'énergie qui ne peut être récupérée, rend les occupants inconfortables ou endommage des équipements coûteux.
Une équipe de chercheurs autrichiens, travaillant à l'intersection du génie civil et de l'informatique, s'est donné pour mission de combler ce fossé. Ils soutiennent que les méthodes standards utilisées pour construire et tester les logiciels d'intelligence artificielle sont insuffisantes pour le monde physique de l'exploitation des bâtiments. Leurs travaux, issus de deux projets en cours impliquant de véritables bâtiments universitaires, identifient pourquoi les approches actuelles échouent et proposent une nouvelle voie à suivre. Ils ont constaté que traiter un bâtiment comme un programme informatique standard ignore la nature lente, désordonnée et irréversible des systèmes physiques. Au lieu de s'appuyer sur les quantités massives de données propres dont jouissent les systèmes numériques, ils suggèrent de concevoir des systèmes capables de fonctionner avec des informations limitées et bruitées. Ils soulignent également que, puisque les gestionnaires de bâtiments sont légalement responsables de la sécurité et du confort, ils doivent pouvoir comprendre et outrepasser l'intelligence artificielle, faisant de la transparence une exigence plutôt qu'une option.
Les chercheurs ont commencé par observer que les règles standard du génie logiciel ne s'appliquent pas lorsque le logiciel contrôle un environnement physique. Dans le domaine numérique, si un programme fait une mauvaise prédiction, les conséquences sont souvent limitées à une mauvaise expérience utilisateur ou à une vente perdue, et l'erreur peut être corrigée rapidement. Dans un bâtiment, une décision de contrôle défaillante a des coûts physiques immédiats. Si un système d'intelligence artificielle active par erreur le chauffage et le refroidissement en même la fois, cette énergie est perdue à jamais. S'il provoque des variations de température extrêmes, les occupants perdent confiance dans le système, et le gestionnaire du bâtiment peut simplement le désactiver, rendant la technologie inutile. Pire encore, des changements agressifs dans les réglages des équipements peuvent caza une contrainte mécanique qui réduit la durée de vie de la machinerie. Bien que les catastrophes réelles comme les incendies soient rares car les bâtiments possèdent des marges de sécurité intégrées, l'effet cumulatif de petites erreurs irréversibles change radicalement la manière dont le logiciel doit être construit.
Pour répondre à ces défis uniques, les chercheurs ont identifié plusieurs problèmes clés qui surviennent lors du passage de la théorie à la pratique. Un problème majeur concerne la nature des données. Dans de nombreuses applications numériques, les données sont abondantes et propres. Dans les bâtiments, les données sont souvent éparses, bruitées et dispersées à travers différents systèmes qui ne communiquent pas entre eux. Un seul bâtiment peut posséder des systèmes de chauffage des années 1990, des commandes d'éclairage de 2010 et des capteurs modernes, utilisant tous des langages et des formats différents. La collecte de ces données est difficile, et les capteurs dérivent souvent de leur étalonnage au fil du temps. Les chercheurs ont constaté que tenter de construire des modèles complexes nécessitant des données parfaites conduit à des systèmes fragiles qui échouent dans le monde réel. Au lieu de cela, ils prônent un principe de minimalisme des données. Cela signifie concevoir des systèmes capables de fonctionner avec les données limitées et imparfaites qui existent réellement, plutôt que d'attendre des conditions parfaites qui pourraient ne jamais arriver.
Une autre découverte cruciale est que tester ces systèmes directement sur de vrais bâtiments est trop risqué. Contrairement aux logiciels numériques, où les développeurs peuvent exécuter deux versions côte à côte pour voir laquelle fonctionne le mieux, on ne peut pas tester deux stratégies de chauffage conflictuelles dans le même bâtiment sans risquer l'inconfort des personnes à l'intérieur. Les chercheurs ont observé que s'appuyer uniquement sur des simulations informatiques est également insuffisant car les bâtiments réels ne se comportent jamais exactement comme leurs modèles numériques. La masse thermique, la météo et le comportement humain créent des délais et des variations difficiles à prédire. Pour résoudre cela, ils proposent une approche de « simulation d'abord » où les nouvelles stratégies sont testées de manière intensive dans une réplique virtuelle du bâtiment avant d'être déployées. Cette réplique virtuelle, appelée jumeau numérique, n'est pas seulement un modèle statique mais une copie vivante qui se met à jour avec les données en temps réel du bâtiment réel. Elle permet à l'intelligence artificielle d'explorer différentes actions et d'apprendre de ses erreurs sans causer de dommages réels.
L'élément humain joue également un rôle central dans leurs conclusions. Dans les applications numériques, si un utilisateur n'est pas d'accord avec une recommandation, il l'ignore simplement. Dans un bâtiment, si un gestionnaire d'installations n'a pas confiance, il désactivera le système. Puisque ces gestionnaires sont légalement responsables de la sécurité et du confort des occupants, ils ont besoin de comprendre pourquoi le système prend une décision. Les chercheurs soutiennent que l'explicabilité n'est pas seulement une fonctionnalité appréciable mais une exigence fondamentale pour l'adoption. Si une intelligence artificielle ne peut pas expliquer son raisonnement en langage clair, ou si elle ne peut pas être manuellement outrepassée si nécessaire, elle ne sera pas utilisée. Cela signifie que le logiciel doit être conçu pour être transparent dès le départ, en fournissant des raisons claires pour ses actions et en permettant aux humains d'intervenir si besoin.
L'équipe suggère que la voie à suivre implique un changement dans la manière dont les ingénieurs abordent ces problèmes. Ils proposent que le jumeau numérique soit l'outil central de développement, servant d'espace sûr pour les tests et de moyen de générer des données pour les situations rares. Ils soulignent également que le flux de travail, de la conception au déploiement, doit être intégré, connectant le modèle physique du bâtiment avec l'intelligence artificielle et les systèmes de contrôle. Cette approche reconnaît que les bâtiments sont des systèmes physiques complexes régis par la thermodynamique, et non seulement par des modèles de données. Les chercheurs précisent avec prudence que leur travail est un point de départ pour un nouvel agenda de recherche plutôt qu'une solution achevée. Ils ont identifié les pièces manquantes et proposé un ensemble de pratiques, mais reconnaissent que ces idées doivent être validées sur le terrain. L'objectif est de créer une base pour un intelligence artificielle robuste, sûre et digne de confiance pour les personnes qui doivent vivre et travailler avec elle.
En fin de compte, ce travail souligne que le défi consistant à apporter l'intelligence artificielle dans les bâtiments n'est pas seulement un problème technique de meilleurs algorithmes, mais un problème de génie logiciel de gestion des conséquences physiques. Les chercheurs ont trouvé que le succès dépend du respect des lois de la physique, des limites des données disponibles et du besoin de confiance humaine. En traitant le bâtiment d'abord comme un système physique et ensuite comme une source de données, ils offrent un plan pour rendre les bâtiments intelligents réellement opérationnels dans le monde réel. Leurs conclusions suggèrent que l'avenir de l'exploitation des bâtiments ne réside pas dans le remplacement du jugement humain par des machines, mais dans la création de systèmes qui soutiennent la supervision humaine tout en naviguant dans la nature complexe, lente et irréversible du monde physique.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.