L'IA. Tout le monde en parle. Mais ce battage médiatique cache des applications de systèmes d'intelligence artificielle qui révolutionnent véritablement l'industrie et qui ont été créées, déployées, testées et affinées au fil des ans. L'un de ces cas est celui de l'IA pour CVC (Chauffage, Ventilation, et Climatisation) commerciale.
Dans cet entretien, nous allons nous pencher sur la matière grise de David Calado Varela, ingénieur en mécanique chez BrainBox AI, dont le travail est déterminant dans l'élaboration des algorithmes qui permettent d'économiser de l'énergie et de réduire les émissions dans les bâtiments du monde entier.
Découvrez les réflexions de David sur la manière dont BrainBox AI répond aux préoccupations liées à l'IA et à la sécurité des données, et sur les raisons pour lesquelles l'architecture algorithmique de l'entreprise est si unique et si performante.
David, on parle beaucoup de l'IA et des préoccupations compréhensibles concernant la précision et la sécurité. Lorsque nous examinons quelque chose comme l'IA qui est conçu pour s'intégrer dans les systèmes CVC et les optimiser, quels sont les deux éléments fondamentaux que les propriétaires et les exploitants de bâtiments devraient prendre en compte ?
Si je devais n'en choisir que deux, je dirais l'architecture et les systèmes de sécurité.
Tout d'abord, l'architecture du système d'IA est cruciale. Les propriétaires et les exploitants de bâtiments doivent s'assurer que l'architecture de l'IA est robuste, évolutive et adaptable aux besoins spécifiques de leur bâtiment. Il s'agit notamment de comprendre comment l'IA s'intègre aux systèmes CVC existants, comment elle traite les données et comment elle prend des décisions. Une architecture bien conçue garantit que l'IA peut gérer les complexités de l'environnement d'un bâtiment et qu'elle peut évoluer au fur et à mesure que les besoins du bâtiment changent au fil du temps.
Deuxièmement, il est essentiel de mettre en place plusieurs niveaux de mesures de sécurité pour prévenir tout problème potentiel. Il s'agit notamment de systèmes de surveillance et d'alerte en temps réel capables de détecter les anomalies et de prendre automatiquement des mesures correctives. Par exemple, si le système détecte une baisse importante de la température, il doit disposer de protocoles permettant d'alerter les opérateurs du bâtiment et de redonner temporairement le contrôle aux systèmes d'origine du bâtiment afin d'assurer le confort et la sécurité des occupants. Ces systèmes de sécurité doivent être conçus pour revenir par défaut à des conditions sûres, afin que le bâtiment reste opérationnel et confortable, même si l'IA est confrontée à une situation inattendue.
« Une architecture bien conçue garantit que l'IA peut gérer les complexités de l'environnement d'un bâtiment et qu'elle peut évoluer au fur et à mesure que les besoins du bâtiment changent au fil du temps. »
S'agissant spécifiquement de BrainBox AI, que faisons-nous pour nous assurer que l'architecture de nos algorithmes fonctionne en toute sécurité et sans heurts ? En quoi est-elle unique ?
Nous disposons actuellement de trois filtres ou couches de sécurité pour nos algorithmes. La première ligne de défense est constituée par les algorithmes eux-mêmes, qui sont conçus pour analyser en permanence les données et procéder à des ajustements en temps réel afin de maintenir des conditions optimales au sein d'un bâtiment. Ils sont équipés de mécanismes d'autocontrôle pour détecter toute anomalie et déclencher des actions correctives immédiates.
La deuxième ligne de sécurité repose sur deux systèmes. Le premier système, que nous appelons « Guardian », est un système automatisé au sein de l'architecture IA qui vérifie que tout fonctionne comme il se doit. L'autre système est une série de règles d'or standard pour le fonctionnement du CVC (Chauffage, Ventilation et Climatisation), qui sont établies par l'ASHRAE. Cela comprend des normes généralisées pour des choses comme la qualité de l'air intérieur, l'efficacité énergétique, la maintenance du système et le contrôle de la température et de l'humidité.
Ces deux systèmes, le Guardian et les règles d'or, agissent comme des « juges », vérifiant les anomalies et évaluant continuellement toutes les commandes ainsi que les conditions actuelles du bâtiment pour s'assurer que les Consignes sont respectées et que l'équipement fonctionne conformément aux normes.
La troisième ligne de défense est l'intervention manuelle. Bien que notre système soit conçu pour minimiser le besoin d'intervention manuelle, nous pensons qu'il est important de disposer d'une option de secours, à savoir la surveillance humaine. Dans le cas improbable où les deux premières lignes de défense échoueraient, notre équipe de surveillance 24/7 interviendrait. Cette situation est toutefois extrêmement rare.
En quoi elle est unique : La plupart des entreprises n'ont pas notre niveau d'automatisation ; elles se contentent de déclencher des alarmes pour que quelqu'un d'autre s'en occupe manuellement. Nous automatisons la réponse et redonnons le contrôle au bâtiment en cas de problème ne pouvant être résolu de manière autonome.
"La plupart des entreprises n'ont pas notre niveau d'automatisation ; elles se contentent de déclencher des alarmes pour que quelqu'un d'autre s'en occupe manuellement.
Pouvez-vous nous donner un exemple concret des couches de sécurité en action ?
Bien sûr. Supposons que la température baisse de 10°C pendant la nuit parce que tous les équipements sont éteints. Si notre système détecte cette baisse, il émet une alerte, indiquant qu'il y a un problème. Le système libère alors les points de contrôle liés à cet équipement, redonnant ainsi le contrôle au bâtiment. Cela permet au bâtiment de commencer à chauffer et de revenir à des valeurs d'occupation normales. Une fois la température stabilisée, nous reprenons le contrôle. Essentiellement, notre mesure de sécurité garantit que dans toute situation problématique, nous cessons de contrôler et laissons le bâtiment prendre le contrôle par défaut.
Ces lignes de défense agissent donc comme des interrupteurs de sécurité, garantissant que le système automatisé fonctionne comme il se doit ?
Tout à fait. Elles surveillent en permanence chaque système et se désengagent en cas de problème. Ainsi, si la température baisse trop pendant la nuit en hiver, par exemple, le système de chauffage se remet en marche pour éviter que les tuyaux ne gèlent.
Quelle est la fréquence de ces contrôles automatisés ?
Nous effectuons un cycle côté eau toutes les minutes et un cycle côté air toutes les cinq minutes, 24 heures sur 24. Cela signifie que nous extrayons des données, exécutons des commandes à travers notre IA, puis les transmettons au service de sécurité qui intervient si un problème est détecté dans les chaudières, les Refroidisseurs, les ventilateurs, les registres, etc. Donc, en gros, nous contrôlons le système CVC d'un bâtiment jusqu'à ce qu'il y ait une alarme, puis nous arrêtons de contrôler le bâtiment et le renvoyons à ses paramètres par défaut.
Le contrôle n'est-il rétabli qu'en cas de détection d'un défaut ? Qu'en est-il si un technicien doit effectuer la maintenance d'un RTU ?
Dans BACnet, il y a 16 priorités (16 étant la priorité la plus basse et 1 la plus haute). BrainBox AI renvoie généralement un message à un bâtiment à la priorité 9, qui est juste une priorité en dessous d'une Dérogations manuelle. Ainsi, si un opérateur souhaite, par exemple, arrêter un ventilateur pour effectuer des travaux de maintenance, il peut écraser à la priorité huit pour arrêter le ventilateur, qui restera arrêté jusqu'à ce qu'il efface la priorité. Ensuite, BrainBox AI reprend automatiquement le contrôle.
Nous avons parlé de contrôle, mais qu'en est-il de la précision ? Comment l'architecture de données de BrainBox AI garantit-elle que les données d'un bâtiment sont stockées, accessibles et utilisées correctement ?
Notre architecture de données implique plusieurs couches de stockage de données. Nous conservons les trois dernières heures de données dans une mémoire cache pour un accès rapide, tandis que les données à plus long terme sont stockées dans une base de données. En outre, nous stockons toutes les données dans un Lac de données, que nous enrichissons d'informations supplémentaires. Cette configuration nous permet d'identifier et d'améliorer les indicateurs clés de performance à la volée, ce qui rend le calcul de mesures telles que la durée d'exécution et l'occupation plus facile et plus précis. En fait, nous avons un taux de précision de 99,6 %. Ce niveau élevé de précision est largement dû à notre pratique de revalidation constante de nos modèles par rapport aux données antérieures, même après la formation initiale.
"Nous avons un taux de précision de 99,6 %. Ce haut niveau de précision est largement dû à notre pratique de revalidation constante de nos modèles par rapport aux données antérieures."
Quelle quantité de données sur les bâtiments BrainBox AI recueille-t-elle réellement ?
Beaucoup. Chaque bâtiment peut avoir entre 100 et 20 000 points de données. Et nous effectuons 288 cycles d'extraction de données côté air et 1 440 cycles côté eau par bâtiment et par jour. On peut donc dire que nous sommes capables de traiter des centaines de milliers de commandes par bâtiment et par jour. Pensez-y, il faut un technicien pour créer manuellement une commande pour chaque équipement. Désormais, nous pouvons exécuter des milliers de commandes sans que personne ne soit sur place. Bien sûr, nous avons toujours besoin de techniciens pour effectuer les réparations - l'IA ne peut pas tout faire - mais grâce à cette technologie, ils ont beaucoup plus de visibilité sur leur équipement et peuvent prendre des décisions plus éclairées beaucoup plus rapidement.
"On peut dire que nous sommes capables de traiter des centaines de milliers de commandes par bâtiment chaque jour. Pensez-y, il faut un technicien pour créer manuellement une commande pour chaque équipement. Désormais, nous pouvons exécuter des milliers de commandes sans que personne ne soit présent sur le site.
Qu'en est-il du processus d'intégration proprement dit ? À quoi ressemble-t-il ?
Une fois que nous sommes connectés à un bâtiment, nous compilons un rapport pour identifier tous les points de données extractibles et commencer le processus de pré-extraction. Simultanément, nous cartographions le bâtiment zone par zone et RTU par RTU, en préparant les informations Haystack nécessaires. L'étiquetage Haystack est une méthodologie standardisée pour le marquage et la modélisation des données, qui relie tous les points de données et permet de s'assurer que les données sont cohérentes et facilement compréhensibles dans les différents systèmes. Pour nous, il s'agit de données telles que l'état d'occupation, les cycles de ventilation, l'état des équipements, les commandes, la température, etc. Une fois tous ces éléments préparés, nous lançons la phase d'extraction des données, en rassemblant les données nécessaires à l'auto-configuration et au déploiement de nos algorithmes.
En utilisant l'étiquetage Haystack, nous pouvons essentiellement former un plan de l'architecture mécanique du bâtiment, ce qui nous permet de catégoriser et d'étiqueter avec précision tous les points de données afin qu'ils soient plus simples à analyser et à optimiser. Ce processus de normalisation est crucial car il permet à notre IA d'interpréter les données de manière uniforme, quelle que soit la source ou le format d'origine.
Ainsi, pendant la première ou les deux premières semaines, nous lançons une période d'extraction pour capturer le comportement typique du bâtiment. Ensuite, nous préparons nos algorithmes sur la base de ces données. Par exemple, nous déterminons les plages de température ambiante habituelles et d'autres paramètres clés. Une fois que tout est réglé, nous lançons le bâtiment en mode écriture, d'abord avec une approche d'horaires fixes, avant d'intégrer l'IA pour un contrôle dynamique.
La beauté de notre processus d'intégration réside dans le fait que nous sommes en mesure d'en automatiser la majeure partie. Cela signifie qu'une fois le processus de cartographie primaire terminé, nous sommes capables d'intégrer des centaines de bâtiments par jour.
"La beauté de notre processus d'intégration réside dans le fait que nous sommes en mesure d'en automatiser la majeure partie. Cela signifie qu'une fois le processus de cartographie primaire terminé, nous sommes en mesure d'intégrer des centaines de bâtiments par jour."
Cela fait beaucoup de bâtiments. Comment assurons-nous la sécurité de toutes ces données ?
Nous respectons des normes industrielles strictes et utilisons AWS pour le stockage sécurisé des données. En outre, nos certifications de sécurité, telles que SOC 2, garantissent que nous respectons ces normes et que nous protégeons les données de nos clients.
Une dernière question. Avez-vous un algo préféré ? Et que fait-il ?
C'est une question difficile. Optimus a toujours été mon algo préféré parce qu'il a été notre premier algo et que c'est moi qui l'ai créé. Il était chargé d'optimiser les heures de démarrage et d'arrêt des équipements en fonction des prédictions, il utilisait donc des données historiques et des entrées en temps réel (par exemple, les températures intérieures, les conditions météorologiques extérieures et les modèles d'occupation des bâtiments) pour prévoir quand démarrer et arrêter les équipements. Ainsi, un bâtiment atteint la température souhaitée juste au moment où les occupants arrivent. Par exemple, au lieu de démarrer le système de chauffage deux heures avant l'arrivée des occupants, il peut démarrer seulement 15 minutes avant. Cela permet d'économiser une quantité importante d'énergie tout en maintenant les niveaux de confort. Optimus a été remanié au fil des ans, pour devenir une version 2.0 de ce que nous connaissons aujourd'hui sous le nom de Khronos.
En savoir plus sur la technologie imbattable de BrainBox AI
