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

BrainBox AI använder sig av självadaptiv artificiell intelligens för att proaktivt optimera energiförbrukningen i 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 på 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 period i mitt liv hade jag att göra med tekniken i en mängd olika byggnader, allt från hotell till datacenter. Det blev snabbt uppenbart för mig att kontinuerlig kommissionering skulle generera konsekventa energibesparingar, men skulle kräva omfattande mängder både finansiellt och mänskligt kapital. Med detta i åtanke satte jag mig för att hitta ett sätt att utveckla en AI-baserad kommissioneringsmetod för att leverera en ny, mer långvarig HVAC-lösning som skulle göra effektivt bruk av byggnadsteknik för att maximera besparingar samtidigt som ockupanthänsyn minimeras. Det slutliga resultatet av denna resa var BrainBox AI, en lösning som är både billig och kräver litet mänskligt kapital.

Hur komplicerat är processen att uppgradera 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 en uppgradering. Installationsprocessen tar cirka 2-3 timmar och hela projektets implementering kräver cirka 10 timmar av byggnadsägarens personal. Efter denna installation följer en 6-8 veckor lång 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 utvecklas för varje unik byggnadsenergiprofil med djupinlärning och tidssekvensdata för att beräkna hur varje zon kommer att reagera på förändrade förhållanden (t.ex. väder) över tid. Mer specifikt kan våra djupinlärningsneuronnät se in i framtiden och förutsäga tillståndet i 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. Utifrån dessa förutsägelser bestämmer vår AI-motor den bästa metoden för 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 ekonomi utan också på byggnadens koldioxidavtryck.

Vilka exempel på datainsamlingspunkter finns det?

Vi använder befintliga data från byggnadssystem (såsom BMS, åtkomstkontrollsystem eller sensorer) samt tredjepartsdata (såsom väder och ockupation) för att fatta beslut. En viktig differentiering för BrainBox AI är att vi endast använder data som redan finns tillgänglig i din byggnad. Du behöver inte distribuera någon extra utrustning eller sensorer för att göra BrainBox AI 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 samlar in all data den behöver.

Med tanke på den positiva effekten på klimatförändringar, har BrainBox AI eller dess kunder kunnat dra nytta av skattelättnader från provinsen Québec eller den kanadensiska federala regeringen? Om inte, tror du att detta kan vara en möjlighet i framtiden?

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

I november 2019 meddelade BrainBox AI att de anslöt sig till MaRS Discovery District, den största urbana innovationshubb 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, nominering som toppkanadensisk CleanTech-företag, lobbyverksamhet på olika nivåer, mediainnehåll och mycket mer. Generellt 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 energioptimering.

Finns det något annat du vill dela om BrainBox AI?

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

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