Jean-Simon Venne, Co-Founder og CTO af BrainBox AI – Interview Serie

BrainBox AI anvender selvtilpassende kunstig intelligens-teknologi til at proaktivt optimere energiforbrug af en af de største bidragydere til klimaforandringer: Bygninger. AI-motoren understøtter en selvdrivende bygning, der ikke kræver menneskelig indgriben.

Jean-Simon Venne er Co-Founder og CTO af BrainBox AI.

Hvad inspirerede dig til at lancere BrainBox AI?

Min rejse ind i HVAC-teknologi begyndte, mens jeg arbejdede på energibesparelsesprojekter i hele Nordamerika og Europa. Under denne fase af mit liv havde jeg at gøre med teknologien i en mangfoldighed af bygninger. Disse var bygninger af forskellige størrelser og formål, lige fra hoteller til datacenter. Det blev hurtigt klart for mig, at kontinuerlige kommissionerings Tilgange ville generere konstante energibesparelser, men ville kræve omfattende mængder af både finansielle og menneskelige ressourcer. Med dette i mente, satte jeg mig for at finde en måde at udvikle en AI-baseret kommissionerings tilgang til at levere en ny, længerevarende HVAC-løsning, der ville gøre effektivt brug af bygningsteknologi til at maksimere besparelser, samtidig med at minimere beboerens ubehag. Det endelige produkt af denne rejse var BrainBox AI, en løsning, der både er billig og kræver lidt menneskelig kapital.

Hvor kompliceret er processen med at tilpasse en eksisterende bygning med BrainBox AI?

BrainBox AI er sandsynligvis en af de enkleste løsninger at installere i HVAC-optimerings- eller bygningautomatiseringsrummet. I virkeligheden henviser vi ikke engang til vores installation som tilpasning overhovedet. Installationsprocessen tager omkring 2-3 timer, og hele projektets implementering kræver omkring 10 timers bygningsejers personales tid. Efter denne installation finder en 6-8 ugers AI-læringsperiode sted. Herefter er AI-motoren klar til at styre bygningen på basis af den unikke bygningsenergiprofil, den har udviklet.

Kan du føre os igennem, hvordan BrainBox AI anvender maskinlæring til at reducere energiforbrug og forbedre komforten for bygningens beboere?

Vores løsning kombinerer energiligninger, der udvikles for hver enkelt bygningsenergiprofil, med dyb læring og tidsrække-data til at beregne, hvordan hver zone vil reagere på ændrede betingelser (f.eks. vejr) over tid. Mere specifikt kan vores dybe læreningsneurale netværk kigge ind i fremtiden og forudsige tilstanden af en zone i en bygning på 5 minutter, 10 minutter, 3 timer og 6 timer med 99,6% nøjagtighed. Faktisk er vores AI-motor stadig i stand til at gøre forudsigelser med forbløffende præcision, selv efter 300 timer. På baggrund af disse forudsigelser bestemmer vores AI-motor den bedste måde at styre energifloden for hver zone i bygningen på, sådan at der opnås den største energibesparelse og beboerkomfort.

Hvilken type energibesparelse er vi potentielt tale om?

BrainBox AI kan reducere den samlede energiomkostning for en bygning med op til 25%, hvilket har en betydelig indvirkning ikke kun på bygningsejernes bundlinje, men også på bygningens kulstofaftryk.

Hvad er nogle eksempler på de data, der indsamles?

Vi anvender eksisterende data fra bygningssystemer (såsom BMS, adgangskontrolsystemer eller sensorer) samt tredjeparts kilder (såsom vejr og beboer) til at drive beslutningstagning. En hoved BrainBox AI-differentiator er, at vi kun anvender de data, der allerede er tilgængelige i bygningen. Du behøver ikke at installere nogen ekstra udstyr eller sensorer for at få BrainBox AI til at fungere.

BrainBox AI anvender dyb læring til at optimere energieffektivitet. Hvordan lang tid skal data indsamles og analyseres, før energibesparelse kan ses?

AI-motoren kræver en minimal læringsperiode på 6-8 uger, under hvilken tid den vil indsamle alle de data, den behøver.

Med så positiv en effekt på klimaforandringer, har BrainBox AI eller dens kunder kunnet drage fordel af skattelettelser fra provinsen Quebec eller den canadiske regering? Hvis ikke, tror du, det kan være en mulighed i fremtiden?

Vi har nydt godt af FoU-skattelettelser og håber at engagere os mere med provins- og statsregeringerne i fremtiden.

I november 2019 annoncerede BrainBox AI, at de ville tilslutte sig MaRS Discovery District, det største urbane innovationshub i Nordamerika. Hvordan har denne oplevelse haft en positiv effekt på BrainBox AI?

MaRS Discovery District er en fremragende partner, der understøtter BrainBox AI i dens kommercielle og promoveringsindsats. MaRS har understøttet BrainBox AI på mange måder, herunder deltagelse i internationale bæredygtigheds- og CleanTech-arrangementer, nominering som top-canadisk CleanTech-virksomhed, lobbyvirksomhed på forskellige niveauer af regeringen, mediebegivenheder og meget mere. Generelt har MaRS været en stærk CleanTech-startup-advokat for os.

Hvad ser du som den næste udvikling i AI, når det kommer til at optimere HVAC?

I den nærmeste fremtid vil der være flere nye innovationer, der vil blive bragt til HVAC-markedet takket være AI, såsom tidlig fejlafkrydning, automatisk lastskift og ultimativt nye teknologiplatforme, der anvender swarmintelligens til energigridoptimering.

Er der noget andet, du gerne vil dele om BrainBox AI?

Vi er meget stolte af at arbejde med fantastiske forskningsinstitutioner for at støtte udviklingen af vores AI-modeller. BrainBox AI arbejder i samarbejde med USAs energidepartments nationale laboratorium for vedvarende energi (NREL), Institut for dataudnyttelse (IVADO) samt uddannelsesinstitutioner, herunder Montreals McGill University og École de technologie supérieure (ETS).

Dette er en meget unik tilgang til at bekæmpe klimaforandringer. For alle, der ønsker at lære mere, besøg venligst BrainBox AI.