Gebouwen behoren tot de grootste energieverbruikers op de planeet en zijn verantwoordelijk voor een aanzienlijk deel van de wereldwijde broeikasgasemissies. Decennialang hebben de systemen die verwarming, koeling en verlichting beheren, vertrouwd op vaste, op regels gebaseerde instructies. Deze systemen worden eenmaal ingesteld en zelden gewijzigd, waardoor ze moeite hebben om zich aan te passen aan veranderende weerpatronen, wisselende aantallen mensen binnen, of de natuurlijke slijtage van de machines zelf. In de afgelopen jaren hebben ingenieurs naar kunstmatige intelligentie gekeken als oplossing, in de hoop dat slimme algoritmen de gebouwen efficiënter kunnen laten draaien. Er is echter een kritieke kloof ontstaan tussen de belofte van deze slimme systemen en de realiteit van het in de praktijk brengen ervan. Terwijl kunstmatige intelligentie floreert in de digitale wereld, waar een fout ongedaan gemaakt kan worden met een simpele klik, bestaan gebouwen in de fysieke wereld. Daar resulteert een slechte beslissing niet alleen in het verwijderen van een bestand; het verspilt energie die niet meer teruggewonnen kan worden, maakt mensen oncomfortabel, of beschadigt dure apparatuur.

Een team onderzoekers uit Oostenrijk, werkend op het snijvlak van civiele techniek en computerwetenschappen, heeft zich ingesteld om deze kloof te overbruggen. Zij stellen dat de standaardmethoden die worden gebruikt voor het bouwen en testen van kunstmatige intelligentie-software onvoldoende zijn voor de fysieke wereld van gebouwbeheer. Hun werk, gebaseerd op twee lopende projecten in echte universiteitsgebouwen, identificeert waarom huidige benaderingen falen en stelt een nieuwe weg voorwaarts voor. Ze ontdekten dat het behandelen van een gebouw als een standaard computerprogramma de trage, rommelige en onomkeerbare aard van fysieke systemen negeert. In plaats van te vertrouwen op de enorme hoeveelheden schone data waar digitale systemen van genieten, stellen zij voor om systemen te ontwerpen die kunnen functioneren met beperkte, ruisgevoelige informatie. Ze benadrukken ook dat omdat gebouwbeheerders wettelijk verantwoordelijk zijn voor veiligheid en comfort, zij de kunstmatige intelligentie moeten kunnen begrijpen en overrulen, wat transparantie tot een vereiste maakt in plaats van een optionele functie.

De onderzoekers begonnen met de observatie dat de standaardregels voor software engineering niet van toepassing zijn wanneer de software een fysieke omgeving bestuurt. In de digitale wereld zijn de gevolgen van een foutieve voorspelling van een programma vaak beperkt tot een slechte gebruikerservaring of een verloren verkoop, en de fout kan snel worden hersteld. In een gebouw heeft een foutieve bestemmingsbeslissing onmiddellijke fysieke kosten. Als een kunstmatige intelligentie per ongeluk zowel de verwarming als de koeling tegelijkertijd inschakelt, is die energie voor altijd verspild. Als het de temperatuur wild laat schommelen, verliezen de bewoners hun vertrouwen in het systeem, en kan de gebouwbeheerder het simpelweg uitschakelen, waardoor de technologie nutteloos wordt. Nog erger is dat agressieve wijzigingen in de instellingen van apparatuur mechanische spanning kunnen veroorzaken die de levensduur van de machines verkort. Hoewel ware rampen zoals branden zeldzaam zijn omdat gebouwen ingebouwde veiligheidsbuffers hebben, verandert het cumulatieve effect van kleine, onomkeerbare fouten alles aan de manier waarop de software gebouwd moet worden.

Om deze unieke uitdagingen aan te pakken, identificeerden de onderzoekers verschillende kernproblemen die ontstaan bij de overgang van theorie naar praktijk. Een groot probleem is de aard van de data. In veel digitale toepassingen is data overvloedig en schoon. In gebouwen is data vaak schaars, ruisgevoelig en verspreid over verschillende systemen die niet met elkaar communiceren. Een enkel gebouw kan bijvoorbeeld verwarmingssystemen uit de jaren 1990 hebben, lichtbesturingen uit 2010 en moderne sensoren, die allemaal verschillende talen en formaten gebruiken. Het verzamelen van deze data is moeilijk, en sensoren raken in de loop van de tijd vaak uit kalibratie. De onderzoekers ontdekten dat het bouwen van complexe modellen die perfecte data vereisen, leidt tot fragiele systemen die in de echte wereld falen. In plaats daarvan pleiten zij voor een principe van dataminimalisme. Dit betekent het ontwerpen van systemen die kunnen werken met de beperkte, imperfecte data die daadwerkelijk aanwezig is, in plaats van te wachten op perfecte omstandigheden die wellicht nooit zullen komen.

Een ander cruciaal bevinding is dat het direct testen van deze systemen op echte gebouwen te riskant is. In tegenstelling tot digitale software, waarbij ontwikkelaars twee versies naast elkaar kunnen draaien om te zien welke beter werkt, kun je niet twee conflicterende verwarmingsstrategieën in hetzelfde gebouw testen zonder het comfort van de mensen binnen in gevaar te brengen. De onderzoekers merkten op dat het uitsluitend vertrouwen op computersimulaties ook onvoldoende is, omdat echte gebouwen nooit exact hetzelfde gedragen als hun digitale modellen. Thermische massa, het weer en menselijk gedrag creëren vertragingen en variaties die moeilijk te voorspellen zijn. Om dit op te lossen, stellen zij een "simulatie-eerst"-benadering voor, waarbij nieuwe strategieën uitgebreid worden getest in een virtuele replica van het gebouw voordat ze ooit worden ingezet. Deze virtuele replica, bekend als een digitale tweeling (digital twin), is niet slechts een statisch model, maar een levende kopie die wordt bijgewerkt met realtime data van het werkelijke gebouw. Het stelt de kunstmatige intelligentie in staat om verschillende acties te verkennen en te leren van fouten zonder echte schade aan te richten in de fysieke wereld.

Het menselijke element speelt ook een centrale rol in hun bevindingen. Bij digitale toepassingen, als een gebruiker een aanbeveling niet vertrouwt, negeert hij deze simpelweg. In een gebouw, als een facilitaire manager het systeem niet vertrouwt, zal hij het volledig uitschakelen. Omdat deze beheerders wettelijk verantwoordelijk zijn voor de veiligheid en het comfort van de bewoners, moeten zij begrijpen waarom het systeem een beslissing neemt. De onderzoekers betogen dat uitlegbaarheid niet slechts een leuke extra functie is, maar een fundamentele vereiste voor adoptie. Als een kunstmatige intelligentie zijn redenering niet in gewone taal kan uitleggen, of als het niet handmatig kan worden overruled wanneer dat nodig is, zal het niet worden gebruikt. Dit betekent dat de software vanaf het begin transparant moet worden ontworpen, door duidelijke redenen voor de acties te geven en menselijke interventie toe te staan wanneer nodig.

Het team suggereert dat de weg vooruit een verschuiving inhoudt in de manier waarop ingenieurs deze problemen benaderen. Zij stellen voor dat de digitale tweeling het centrale instrument voor ontwikkeling moet zijn, dienend als een veilige ruimte voor testen en als een manier om data te genereren voor zeldzame situaties. Ze benadrukken ook dat de workflow van ontwerp naar implementatie geïntegreerd moet zijn, waarbij het fysieke model van het gebouw wordt verbonden met de kunstmatige intelligentie en de besturingssystemen. Deze benadering erkent dat gebouwen complexe fysieke systemen zijn die worden beheerst door thermodynamica, en niet alleen door datapatronen. De onderzoekers merken er voorzichtig bij op dat hun werk een startpunt is voor een nieuwe onderzoeksagenda en geen voltooide oplossing. Ze hebben de ontbrekende stukken geïdentificeerd en een reeks praktijken voorgesteld, maar erkennen dat deze ideeën in het veld gevalideerd moeten worden. Het doel is om een fundament te leggen voor het bouwen van kunstmatige intelligentie die robuust, veilig en vertrouwd is door de mensen die er moeten wonen en werken.

Uiteindelijk benadrukt het werk dat de uitdaging om kunstmatige intelligentie in gebouwen te brengen niet alleen een technisch probleem is van betere algoritmen, maar een software engineering probleem van het beheren van fysieke consequenties. De onderzoekers ontdekten dat succes afhangt van respect voor de wetten van de fysica, de beperkingen van de beschikbare data en de noodzaak van menselijk vertrouwen. Door het gebouw eerst als een fysiek systeem te behandelen en pas daarna als een bron van data, bieden zij een blauwdruk voor het maken van slimme gebouwen die daadwerkelijk werken in de echte wereld. Hun bevindingen suggereren dat de toekomst van gebouwbeheer niet ligt in het vervangen van menselijk oordeel door machines, maar in het creëren van systemen die menselijk toezicht ondersteunen terwijl ze navigeren door de complexe, trage en onomkeerbare aard van de fysieke wereld.