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

BrainBox AI använder sig av självadaptiv artificiell intelligens-teknologi för att proaktivt optimera energiförbrukningen för en av de största bidragsgivarna till klimatförändringar: Byggnader. AI-motorn stöder en självdrivande byggnad som inte kräver mänskligt ingripande.

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

Vad inspirerade dig att lansera BrainBox AI?

Min resa inom HVAC-teknik började medan jag arbetade med energieffektivitetsprojekt i Nordamerika och Europa. Under denna fas av mitt liv hade jag att göra med tekniken i en mängd olika byggnader. Dessa var byggnader av olika storlekar och ändamål, allt från hotell till datacenter. Det blev snabbt uppenbart för mig att kontinuerliga kommissioneringsmetoder skulle generera konsekventa energibesparingar, men skulle kräva stora mängder både finansiellt och mänskligt kapital. Med detta i åtanke satte jag mig för att hitta ett sätt att konstruera en AI-baserad kommissioneringsmetod för att leverera en ny, långvarig HVAC-lösning som skulle göra effektivt bruk av byggnadsteknik för att maximera besparingar samtidigt som man minimerar obehag för de boende. Det slutliga resultatet av denna resa var BrainBox AI, en lösning som är både billig och kräver liten mänsklig insats.

Hur komplicerat är processen att återutrusta en befintlig byggnad med BrainBox AI?

BrainBox AI är troligen en av de enklaste lösningarna att installera inom HVAC-optimering eller byggnadsautomatisering. Faktum är att vi vanligtvis inte ens hänvisar till vår installation som återutrustning alls. Installationsprocessen tar cirka 2-3 timmar och hela projektets implementering kräver cirka 10 timmar av byggnadsägarens personal. Efter denna installation följer en 6-8 veckors AI-inlärningsperiod. Därefter är AI-motorn redo att styra byggnaden baserat på den unika byggnadsenergiprofil den har utvecklat.

Kan du gå igenom hur BrainBox AI använder maskinlärning för att minska energiförbrukning och förbättra komforten för byggnadsanvändare?

Vår lösning kombinerar energiekvationer som utvecklats för varje unik byggnadsenergiprofil med djupinlärning och tidssekvensdata för att beräkna hur varje zon kommer att reagera på förändrade förhållanden (till exempel väder) över tid. Mer specifikt kan våra djupinlärningsneurala nätverk 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 efter 300 timmar gör vår AI-motor fortfarande förutsägelser med häpnadsväckande precision. Från dessa förutsägelser bestämmer vår AI-motor den bästa vägen att hantera energiflödet för varje zon i din byggnad genom att säkerställa den största energibesparingen och användarkomforten.

Vilken typ av energibesparingar talar vi om?

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

Vilka exempel på data som samlas in?

Vi använder befintliga data från byggnadssystem (såsom BMS, åtkomstkontrollsystem eller sensorer) samt tredjepartskällor (såsom väder och beläggning) för att driva beslutsfattandet. En huvudsaklig differentiering för BrainBox AI är att vi endast använder de data som redan finns tillgängliga i din byggnad. Du behöver inte distribuera någon ytterligare utrustning eller sensorer för att göra BrainBox AI att fungera.

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

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

Med sådana positiva fördelar för klimatförändringar, har BrainBox AI eller dess kunder kunnat dra nytta av skattelättnader från provinsen Quebec eller den federala regeringen i Kanada? Om inte, tror du att detta kan vara en möjlighet i framtiden?

Vi har dragit nytta av FoU-skattelättnader och vi hoppas på att engagera oss mer med provins- och federala regeringar i framtiden.

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

MaRS Discovery District är en utmärkt partner som stöder BrainBox AI i dess kommersialisering och marknadsföringsinsatser. MaRS har stött BrainBox AI på många sätt, inklusive deltagande i internationella hållbarhets- och CleanTech-evenemang, utnämning till toppkanadensisk CleanTech-företag, lobbying på olika nivåer av regeringen, mediaevenemang och mycket mer. Generellt sett har MaRS varit en stark förespråkare för CleanTech-startups som oss.

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

I närtid finns det flera nya innovationer som kommer att introduceras på HVAC-marknaden tack vare AI, såsom tidig felupptäckt, automatisk lastskiftning och slutligen nya teknologiplattformar som använder swarmintelligens för energigridoptimering.

Finns det något annat du vill dela om BrainBox AI?

Vi är mycket stolta över att arbeta med fantastiska forskningsinstitutioner för att stödja utvecklingen av våra AI-modeller. BrainBox AI samarbetar med US Department of Energys National Renewable Energy Laboratory (NREL), Institute for Data Valorization (IVADO) samt utbildningsinstitutioner som McGill University och École de technologie supérieure (ETS).

Detta är en mycket unik tillvägagångssätt för att bekämpa klimatförändringar. För den som vill lära sig mer, besök BrainBox AI.