Erklärbarkeit und Künstliche Intelligenz

Erklärbare AI wird in zahlreichen Bereichen des FM eingesetzt, um datengetriebene Entscheidungen zu unterstützen. Einige konkrete Anwendungsfälle sind:

AI wird häufig zur Reduzierung des Energieverbrauchs eingesetzt, indem es den Betrieb von Heizungs-, Lüftungs- und Klimaanlagen (HVAC) optimiert.

Ein AI-System analysiert Daten wie Wettervorhersagen, Energiepreise, Belegungspläne und Gebäudebedingungen, um die optimale Betriebsstrategie zu bestimmen.

Beispiel: Das System empfiehlt, die Klimaanlage in einem Bürogebäude von 18:00 bis 6:00 Uhr auf Minimalbetrieb zu setzen.

Erklärung: Basierend auf Wetterprognosen (Temperaturen zwischen 15 und 20 °C) und einer durchschnittlichen Auslastung von 5% nach 18:00 Uhr kann eine Energieeinsparung von 20% erzielt werden.“

AI-Systeme prognostizieren Ausfälle von Anlagen wie Aufzügen, Lüftungsanlagen oder Pumpen, um kostspielige Reparaturen und Ausfallzeiten zu vermeiden.

Sensoren liefern Daten wie Vibrationen, Temperaturen oder Betriebsstunden, die von der AI analysiert werden, um Wartungsbedarf vorherzusagen.

Beispiel: Ein Predictive-Maintenance-System schlägt vor, einen Aufzug vorzeitig zu warten.

Erklärung: „Die durchschnittliche Vibrationsamplitude ist in den letzten 30 Tagen um 15% gestiegen. In 90% der Fälle führt dies innerhalb von drei Wochen zu einem Ausfall.“

AI hilft dabei, Büroflächen effizienter zu nutzen, indem es Belegungsmuster und Bewegungsdaten analysiert.

• Belegungsdaten von Sensoren oder Buchungssystemen werden verwendet, um ungenutzte Flächen zu identifizieren und alternative Nutzungsmöglichkeiten vorzuschlagen.

Beispiel: Ein System schlägt vor, einen Konferenzraum in einen offenen Arbeitsbereich umzuwandeln.

Erklärung: „Die durchschnittliche Belegungsrate dieses Raums beträgt 25%, während offene Arbeitsbereiche im gleichen Stockwerk zu 95% ausgelastet sind.“

AI-Systeme optimieren Reinigungspläne auf Basis von Belegungsdaten und Raumnutzung.

Beispiel: Ein Reinigungsplan priorisiert stark genutzte Toiletten und reduziert die Reinigung in wenig frequentierten Besprechungsräumen.

Erklärung: „Die Toiletten im Erdgeschoss wurden heute von 200 Personen genutzt, während die Besprechungsräume eine Belegungsrate von unter 10% aufweisen.“

• Analysiert, welche Eingabedaten die Entscheidungen eines Modells beeinflussen.

• Beispiel: Ein AI-System zur Energieoptimierung zeigt, dass die Außentemperatur (40%), die Belegungsrate (35%) und die Energiepreise (25%) die Hauptfaktoren für eine Entscheidung sind.

• Grafische Darstellungen wie Heatmaps oder Diagramme machen AI-Entscheidungen verständlich.

• Beispiel: Eine Heatmap zeigt, welche Gebäudebereiche am meisten Energie verbrauchen und warum.

• Szenarien, die zeigen, wie sich kleine Änderungen der Eingabedaten auf das Ergebnis auswirken.

• Beispiel: Ein Predictive-Maintenance-System könnte erklären: „Wenn die Betriebsstunden der Pumpe 20% niedriger gewesen wären, hätte keine Wartungsempfehlung vorgelegen.“

• Simpel strukturierte Modelle, die auf vordefinierten Regeln basieren, können Entscheidungen transparent machen.

• Beispiel: „Raum X wird gereinigt, weil die Nutzungsrate über dem Schwellenwert von 70% liegt.“

• Viele AI-Modelle im FM basieren auf Deep Learning oder anderen datenintensiven Verfahren, die schwer erklärbar sind.

• Beispiel: Ein neuronales Netzwerk zur Energieoptimierung könnte Millionen von Parametern enthalten, die nicht direkt nachvollziehbar sind.

• Technisches Personal benötigt detaillierte technische Erklärungen, während Gebäudeeigentümer und Nutzer einfache, leicht verständliche Informationen bevorzugen.

• Einfach erklärbare Modelle (z. B. Entscheidungsbäume) sind oft weniger leistungsstark als komplexe Deep-Learning-Modelle.

• Zeigt, welche Eingaben die Entscheidungen eines Modells beeinflusst haben.

• Beispiel: LIME analysiert, warum ein AI-System eine bestimmte Reinigungsroute priorisiert hat.

• Misst den Beitrag jedes Faktors zur Gesamtentscheidung eines Modells.

• Beispiel: SHAP zeigt, dass die Außentemperatur und die Belegungsdaten die Hauptfaktoren für eine Klimasteuerungsentscheidung waren.

• Dashboards wie Power BI oder spezifische CAFM-Lösungen (z. B. von Planon oder IBM Maximo) integrieren erklärbare AI-Komponenten.

• Bessere Entscheidungsfindung: Facility Manager können fundierte Entscheidungen treffen, basierend auf nachvollziehbaren Empfehlungen.

• Fehlervermeidung: Probleme wie fehlerhafte Sensoren oder falsche Daten können schneller erkannt werden.

• Höhere Effizienz: Erklärbare AI hilft, Prozesse zu optimieren und Ressourcen gezielter einzusetzen.

• Rechtssicherheit: Unternehmen erfüllen regulatorische Anforderungen und minimieren Haftungsrisiken.

• Erklärbare AI wird zunehmend in Computer-Aided Facility Management (CAFM)-Systeme integriert, um automatisierte Entscheidungsprozesse transparent zu machen.

• Systeme der Zukunft werden in der Lage sein, Entscheidungen in Echtzeit zu erklären und verschiedene Zielgruppen anzusprechen.

• Erklärbare AI wird eine Schlüsselrolle spielen, um die Nachhaltigkeitsziele im FM zu erreichen, z. B. durch Optimierung des Energieverbrauchs und Reduzierung von CO₂-Emissionen.

Durch transparente und verständliche Entscheidungen können Facility Manager, Kunden und Gebäudenutzer von den Vorteilen der AI profitieren, während Risiken minimiert werden. Die Zukunft des Facility Managements wird stark von erklärbarer AI geprägt sein, da sie Effizienz, Nachhaltigkeit und Vertrauen auf ein neues Niveau hebt.