Сразу спрошу, вы за кого? Ну то есть, вы за тех, кто мёрзнет или за тех, кому всегда жарко? Современные офисные реалии порождают новые виды межличностных конфликтов, но причина здесь не в людях, ну или не только в людях. Офисные помещения большие, и вопрос поддержания комфортной температуры и влажности - это сложная инженерная задача, близость к радиатору отопления может привести к перегреву при утомительной офисной работе, а кто подальше - может даже мёрзнуть. Влажность, кстати, тоже важный параметр, иногда дискомфорт, который вы испытываете в офисе, может быть решён простым настольным увлажнителем. Возьмите этот совет на вооружение, а пока расскажу вам, что к решению этой проблемы решили подключить искусственный интеллект, который скоро, похоже, в каждом утюге работать будет. Модели машинного обучения могут помочь предсказать, как люди реагируют на температуру в разных частях здания, что позволяет достичь комфорта и, при этом, что тоже не маловажно, снизить энергопотребление.
Исследователи из Департамента гражданского и экологического строительства и Университета Карнеги-Меллона предложили новый метод, который объединяет данные и модели, используя многомерный анализ правил ассоциации (M-ARM). Этот метод позволяет обнаруживать и исправлять предвзятости в человеческих знаниях о реакции на температуру. Они протестировали этот метод на семи моделях машинного обучения и обнаружили, что он значительно повышает точность прогнозирования реакции людей на температуру. То есть понимаете, о чем речь? Речь идёт о прогнозировании реакции на температуру. Значит люди всё же являются по крайней мере частью проблемы.
В исследовании использовалась противоречивая информация, предоставленная жильцами здания в ответ на вопросы о их тепловом комфорте. Это позволило определить настоящую "зону комфорта" для большинства людей в здании. Исследователи также обнаружили проблемы с неправильной калибровкой и потенциальными искажениями данных, которые были успешно устранены с помощью метода M-ARM. Вот так. теперь бездушная машина будет предсказывать, захотите ли вы открыть окно или закутаться в плед.
Результаты этого исследования могут привести к существенной экономии энергии в больших зданиях, при этом обеспечивая комфорт для пользователей. Использование моделей машинного обучения и метода M-ARM позволяет более точно предсказывать реакцию людей на температуру и эффективно управлять системами отопления, вентиляции и кондиционирования воздуха.
Источник:
Руоксин Сюн и др., Калибровка субъективных ошибок в данных и модели прогнозных неопределенностей в прогнозах теплового восприятия на основе машинного обучения (Ruoxin Xiong et al, Calibrating subjective data biases and model predictive uncertainties in machine learning-based thermal perception predictions), Building and Environment (2023). DOI: 10.1016/j.buildenv.2023.111053
-------------------------------------
Вы можете поддержать проект подпиской на канал, реакциями и комментариями, а также подписавшись на наши страницы на других площадках и на сервисе поддержки авторов Бусти. Ссылки найдёте в описании канала. Заранее спасибо!