Jean-Simon Venne, medgrundare och CTO för BrainBox AI – Intervjuserien

BrainBox AI använder självanpassande artificiell intelligens-teknik för att proaktivt optimera energiförbrukningen för en av de största bidragsgivarna till klimatförändringarna: byggnader. AI-motorn stöder en självgående byggnad som inte kräver någon mänsklig inblandning.

Jean-Simon Venne är medgrundare och CTO för BrainBox AI.

Vad inspirerade dig att lansera BrainBox AI?

Min resa in i HVAC-teknik började när jag arbetade med energieffektivitetsprojekt i hela Nordamerika och Europa. Under det här skedet av mitt liv tog jag itu med tekniken i en uppsjö av byggnader. Det var byggnader av olika storlekar och syfte, allt från hotell till datacenter. Det blev snabbt uppenbart för mig att kontinuerlig driftsättning skulle generera konsekventa energibesparingar men skulle kräva stora mängder både ekonomiskt och humankapital. Med detta i åtanke satte jag mig för att hitta ett sätt att konstruera en AI-bas idrifttagningsmetod för att leverera en ny mer långvarig HVAC-lösning som effektivt skulle kunna använda byggnadsteknik för att maximera besparingarna samtidigt som passagerarnas obehag minimeras. Slutprodukten av denna resa var BrainBox AI, en lösning som både är billig och kräver lite mänskligt kapital.

Hur komplicerad är processen att eftermontera en befintlig byggnad med BrainBox AI?

BrainBox AI är sannolikt en av de enklaste lösningarna att installera i HVAC-optimering eller byggnadsautomation. Faktum är att vi vanligtvis inte ens hänvisar till vår installation som eftermontering alls. Installationsprocessen tar cirka 2-3 timmar och hela projektgenomförandet kräver cirka 10 timmar av en byggherres personaltid. Efter denna installation sker en 6-8 veckors AI-inlärningsperiod. Efteråt är AI-motorn redo att styra byggnaden utifrån den unika byggnadsenergiprofil den har utvecklat.

Kan du gå igenom hur BrainBox AI använder maskininlärning för att minska energiförbrukningen och förbättra bekvämligheten för de boende i byggnaden?

Vår lösning kombinerar energiekvationer som är utvecklade för varje unik byggnads energiprofil med djupinlärning och tidsseriedata för att beräkna hur varje zon kommer att reagera på förändrade förhållanden (till exempel väder) över tiden. Mer specifikt kan våra neurala nätverk för djupinlärning se in i framtiden och förutsäga tillståndet för en zon i en byggnad på 5 minuter, 10 minuter, 3 timmar och 6 timmar med 99.6 % noggrannhet. Faktum är att även vid 300 timmar gör vår AI-motor fortfarande förutsägelser med häpnadsväckande precision. Utifrån dessa förutsägelser bestämmer vår AI-motor det bästa sättet att hantera energiflödet för varje zon i din byggnad genom att säkerställa de största energibesparingarna och passagerarnas komfort.

Vilken typ av energibesparingar talar vi potentiellt om?

BrainBox AI kan minska den totala energikostnaden för en byggnad med upp till 25 %, vilket har en betydande inverkan inte bara på en byggnadsägares resultat utan också koldioxidavtrycket för sin byggnad.

Vilka är några exempel på de datapunkter som samlas in?

Vi använder befintliga data från byggnadssystem (som BMS, passersystem eller sensorer) såväl som tredjepartskällor (som väder och beläggning) för att driva beslutsfattande. En huvudsaklig BrainBox AI-differentiering är att vi bara använder den data som för närvarande är tillgänglig i din byggnad. Du behöver inte distribuera någon extra utrustning eller sensorer för att få BrainBox AI att fungera.

BrainBox AI använder djupinlärning för att optimera energieffektiviteten. Hur lång tid behöver data samlas in och analyseras innan energieffektivitetsvinster kan ses?

AI:n kräver en minimal inlärningsperiod på 6-8 veckor, under denna tid kommer den att samla in all data den behöver.

Har BrainBox AI eller dess kunder kunnat dra nytta av skattelättnader från provinsen Quebec eller Kanadas federala regering med en sådan positiv klimatförändring? Om inte, tror du att detta kan vara en möjlighet i framtiden?

Vi har dragit nytta av FoU-skatteavdrag och vi hoppas kunna engagera oss mer med de provinsiella och federala regeringarna i framtiden.

I november 2019 tillkännagav BrainBox AI att de går med i MaRS Discovery District, den största urbana innovationshubben i Nordamerika. Hur har denna erfarenhet gynnat BrainBox AI?

MaRS Discovery District är en fantastisk partner som stödjer BrainBox AI i dess kommersialisering och marknadsföringsinsatser. MaRS har stöttat BrainBox AI på många sätt, inklusive deltagande på internationella hållbarhets- och CleanTech-evenemang, nominering som kanadensiskt bästa CleanTech-företag, lobbyverksamhet på olika regeringsnivåer, mediaevenemang och mycket mer. Generellt sett har MaRS varit en stark CleanTech-start-up-förespråkare för oss.

Vad ser du som nästa utveckling inom AI när det gäller att optimera HVAC?

Inom en snar framtid finns det flera nya innovationer som kommer att föras till HVAC-marknaden tack vare AI, såsom tidig feldetektering, automatisk lastförskjutning och i slutändan nya teknologiplattformar som använder svärmintelligens för energinätsoptimering.

Något mer du vill dela med dig av om BrainBox AI?

Vi är mycket stolta över att arbeta med fantastiska forskningsinstitutioner för att hjälpa till att stödja utvecklingen av våra AI-modeller. BrainBox AI arbetar i samarbete med det amerikanska energidepartementets National Renewable Energy Laboratory (NREL), Institute for Data Valorization (IVADO) samt utbildningsinstitutioner inklusive Montreals McGill University och École de technologie supérieure (ETS).

Detta är ett mycket unikt sätt att bekämpa klimatförändringarna. För alla som vill veta mer vänligen besök BrainBox AI.