Unsicherheit und Künstliche Intelligenz (AI) im Facility Management

• Entsteht durch zufällige Schwankungen in den Daten.

• Beispiel: In einem Gebäude variieren die Energieverbrauchswerte trotz gleicher Wetterbedingungen aufgrund von Unregelmäßigkeiten im Nutzerverhalten.

• Beruht auf mangelndem Wissen oder unvollständigen Modellen.

• Beispiel: Ein Modell zur Vorhersage von Anlagenfehlern hat keine Daten für extreme Nutzungsbedingungen, was zu Unsicherheiten in solchen Szenarien führt.

• Unsicherheiten zu erkennen und zu managen, führt zu präziseren Entscheidungen und reduziert unnötige Kosten.

• Beispiel: Ein Predictive-Maintenance-System kann Wartungen optimieren, indem es Unsicherheiten in den Prognosen berücksichtigt und nur dann Maßnahmen empfiehlt, wenn die Ausfallwahrscheinlichkeit hoch genug ist.

• Durch die Berücksichtigung von Unsicherheiten können Facility Manager besser auf mögliche Fehlerquellen reagieren.

• Beispiel: Ein AI-System kann mitteilen: „Die Wahrscheinlichkeit eines Fehlers beträgt 70%, aber aufgrund der hohen Kosten einer falschen Entscheidung ist eine zusätzliche Inspektion sinnvoll.“

• Systeme, die Unsicherheiten klar kommunizieren, schaffen Vertrauen bei Facility Managern und Gebäudeeigentümern.

• Beispiel: Ein Energiemanagementsystem könnte erklären, dass eine vorgeschlagene Maßnahme mit einer Unsicherheitsmarge von 10% verbunden ist.

Berechnen Wahrscheinlichkeiten für mögliche Ergebnisse, anstatt deterministische Vorhersagen zu treffen.

Anwendung im FM:

Ein Predictive-Maintenance-System nutzt Wahrscheinlichkeiten, um die Wahrscheinlichkeit eines Anlagenausfalls zu berechnen.

Beispiel: „Die Wahrscheinlichkeit eines Pumpenausfalls innerhalb der nächsten 7 Tage beträgt 85%.“

Kombinieren mehrere Modelle, um robustere Vorhersagen zu treffen.

Anwendung im FM:

Ein Ensemble aus Energieverbrauchsmodellen kann die Unsicherheiten einzelner Modelle ausgleichen.

Beispiel: Die Energieverbrauchsprognose basiert auf Modellen, die historische Daten, Wetterbedingungen und aktuelle Gebäudenutzung berücksichtigen.

Berücksichtigen Unsicherheiten in den Modellparametern und passen sich an neue Daten an.

Anwendung im FM:

Ein AI-System kann bayessche Ansätze nutzen, um die Nutzungsmuster eines Gebäudes dynamisch zu aktualisieren.

Beispiel: „Mit neuen Belegungsdaten wurde die Wahrscheinlichkeit, dass ein Raum untergenutzt ist, auf 75% aktualisiert.“

Arbeitet mit unscharfen Daten, um mehrdeutige Szenarien zu modellieren.

Anwendung im FM:

Fuzzy-Logik kann in der Steuerung von HVAC-Systemen (Heizung, Lüftung, Klimaanlagen) verwendet werden.

Beispiel: „Die Klimaanlage wird mit mittlerer Intensität betrieben, da die Raumtemperatur im Bereich von 20–22 °C liegt.“

• AI-Systeme berücksichtigen Unsicherheiten in Wettervorhersagen und Energiepreisen, um die Betriebskosten zu minimieren.

• Beispiel: Ein System könnte empfehlen, die Heizleistung zu reduzieren, aber auch warnen: „Mit 15% Wahrscheinlichkeit führen unerwartete Kältewellen zu erhöhtem Energieverbrauch.“

• AI-Systeme nutzen Sensor- und Betriebsdaten, um Wahrscheinlichkeiten für Anlagenfehler vorherzusagen.

• Beispiel: Ein Predictive-Maintenance-System könnte sagen: „Die Wahrscheinlichkeit eines Ausfalls liegt bei 80%. Eine Inspektion wird empfohlen, aber es besteht eine 20%-ige Unsicherheit, die durch zusätzliche Daten reduziert werden könnte.“

• Unsicherheiten in der Raumnutzung können berücksichtigt werden, um die Flächeneffizienz zu maximieren.

• Beispiel: Ein AI-System analysiert Belegungsdaten und meldet: „Mit 90% Wahrscheinlichkeit wird Raum A nächste Woche untergenutzt sein. Eine alternative Nutzung wird empfohlen.“

• Fehlende oder fehlerhafte Daten können Unsicherheiten verstärken.

• Lösung: Bessere Sensorik und Datenintegrität.

• Unsicherheiten müssen verständlich für verschiedene Zielgruppen (Facility Manager, Eigentümer, Mieter) kommuniziert werden.

• Lösung: Visuelle Dashboards, die Wahrscheinlichkeiten und Unsicherheitsbereiche klar darstellen.

• Modelle, die Unsicherheiten berücksichtigen, erfordern oft höhere Rechenressourcen.

• Lösung: Einsatz moderner Hardware wie GPUs und cloudbasierter Lösungen.

• Systeme der Zukunft werden in der Lage sein, Unsicherheiten in Echtzeit zu bewerten und entsprechende Maßnahmen vorzuschlagen.

• Beispiel: Ein System könnte in Echtzeit melden: „Die Auslastung der Konferenzräume ist unsicher. Neue Daten könnten die Prognose verbessern.“

• Computer-Aided Facility Management (CAFM)-Plattformen werden Unsicherheitsanalysen standardmäßig integrieren.

• Beispiel: Ein Dashboard zeigt Wahrscheinlichkeiten für Energieverbrauch, Wartungsbedarf und Raumnutzung an.

• AI-Systeme, die Unsicherheiten berücksichtigen, können nachhaltigere Entscheidungen treffen, z. B. durch präzisere Energieverbrauchsprognosen.

Der Einsatz von AI bietet eine Möglichkeit, Unsicherheiten zu erkennen, zu quantifizieren und in Entscheidungen einzubeziehen. Methoden wie probabilistische Modelle, Bayes’sche Ansätze und Fuzzy-Logik helfen, Unsicherheiten zu managen und robuste Entscheidungen zu treffen. Die Fähigkeit, Unsicherheiten transparent und verständlich zu kommunizieren, wird entscheidend sein, um Vertrauen und Effizienz im Facility Management weiter zu steigern.