Aivot algoritmien takana

Koneoppimisalgoritmien avulla energia- asiantuntijamme voivat näyttää asiakkaille suoraan, millaisia säästöjä he voivat saavuttaa palveluitamme käyttämällä.
  • Martin Eksberg

    Sales

  • Filip Lagerlöf

    Marketing

julkaistu

päivitetty

Algorithms
Photo by Kiona of

Mitra Hajigholi ja Raghunath Vairamuth ovat datatieteilijöitä, jotka keskittyvät koneoppimiseen ja tietojen analysointiin Kionalla. He ovat työskennelleet useissa datatieteeseen liittyvissä projekteissa, kuten Peak Control 2.0, tekoälyohjaus ja ennakoiva kunnossapito.

Mitä koneoppiminen on?

Koneoppiminen (ML) on eräänlainen tekoäly (AI), jonka avulla ohjelmisto voi kehittyä paremmaksi ennustamaan tuloksia ilman, että sitä on suoraan ohjelmoitu tekemään niin. Lähes samalla tavalla kuin ihmiset oppivat, tarkkuus paranee vähitellen. Lue lisää koneoppimisesta Wikipediasta

Yksi merkittävä saavutus on ohjausalgoritmimme, jonka avulla voimme nähdä reaaliajassa, miten energiankulutus vaihtelee eri lämpötiloissa. Aikaisemmin energiankulutusta analysoitiin ja verrattiin viitevuoden tietojen perusteella.

Asiakkaiden näkemykset

Mitran ja Raghunathin työ alustan parissa jatkuu. Tiedon kerääminen asiakkaiden tietotarpeista, on yksi tärkeimmistä kehitystyön lähtökohdista.

Mitra on toteuttanut useita haastatteluja selvittääkseen, millaista tietoa asiakkaat haluavat nähdä, mistä he ovat kiinnostuneita ja miksi nämä tiedot ovat heille äärimmäisen tärkeitä. Saatuja tietoja käytetään uusien koneoppimisalgoritmien luomiseen. Näin voimme kehittää parempia, intuitiivisia ja visuaalisia raportteja, jotka voidaan räätälöidä erikseen jokaiselle asiakkaalle.

Olemme myös keränneet lisää säädatapisteitä ohjausalgoritmimme parantamiseksi. Näin voimme auttaa asiakkaita tunnistamaan energiahuiput laajemmassa mittakaavassa.

Raghunath Vairamuth
Datatieteilijä, Kiona

Olemme myös keränneet lisää säädatapisteitä ohjausalgoritmimme parantamiseksi. Näin voimme auttaa asiakkaita tunnistamaan energiahuiput laajemmassa mittakaavassa. Voimme myös ennakoivasti varoittaa energiayhtiöitä useita päiviä etukäteen, Raghunath sanoo.

Tietojen käyttö energiatehokkuuden lisäämiseen

Edellä mainittujen lisäksi Mitra ja Raghunath pyrkivät parantamaan ennakoivaa kunnossapitoa. Siinä tietoja käytetään lämmityksen suorituskyvyn analysointiin. Lämmitykseen kuluvan energian määrän analysointi mahdollistaa vuotojen tai poikkeamien havaitsemisen.

– Haluamme auttaa asiakkaita ymmärtämään, kuinka arvokasta on kerätä oikeaa tietoa heidän rakennusportfoliostaan ja millainen tieto on arvokasta. Silloin siitä on hyötyä sekä ympäristön, asiakkaan että kustannusten näkökulmasta, Mitra toteaa lopuksi.

  • Lämmitys
  • Energian optimointi
  • AI

Haluatko tietää lisää itseoppivasta tekoälystämme?