Interoperabilität als Voraussetzung für die Anwendung Künstlicher Intelligenz im Wohngebäude

Die ForeSight-Datenplattform macht alle relevanten Daten für eine Analyse mit Methoden aus der Künstlichen Intelligenz einheitlich zugänglich. Sie bilden eine in digitale Zwillinge gegliederte, semantisch beschriebene Wissensbasis, die sowohl mit Methoden des maschinellen Lernens (neuronale KI), mit klassischer sowie hybrider KI genutzt werden kann. Ebenso sind semantische Suchen nach Daten und Eigenschaften vorgesehen.

Über die Autorin

Denise Kahl ist wissenschaftliche Mitarbeiterin und Promotionsstudentin am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI). In ihrer Forschung untersucht sie unter anderem die Beziehung zwischen virtuellen Objekten und ihren physikalischen Repräsentationen für die haptische Interaktion in Optical See-through Augmented Reality.

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Video abspielen

Überwachtes maschinelles Lernen auf Basis von Zeitseriendaten wird in ForeSight u.a. für die Erkennung von Tagesroutinen und Aktivitäten aus Smart Meter Daten verwendet. Neuronale Verfahren benötigen jedoch für eine robuste und hinreichend gute Erkennungs- oder Prognoseleistung sehr viele, repräsentative Daten aus einem konkreten Haushalt. Da es keine Option ist, zunächst über einen längeren Zeitraum reale Daten zu sammeln, bevor ein KI-Service zuverlässig in einem spezifischen Haushalt funktioniert, werden Verfahren benötigt, die repräsentative Daten synthetisch erzeugen können. Hierfür setzt ForeSight eine eigens entwickelte Simulationsumgebung „SynTiSeD“ ein, welche in einem ersten Schritt in der Lage ist, realistische, gut variierende und für maschinelles Lernen geeignete Smart Meter Datenströme auf Basis von vorgegebenen Tagesabläufen zu generieren. Somit wird es möglich, gut angepasste neuronale Modelle schon zu Beginn, z.B. bei einem Mieterwechsel, in einem Haushalt zu nutzen.

 

Im Sinne einer guten Skalierbarkeit und einer besseren Nachvollziehbarkeit von KI-Ergebnissen fließen die Ergebnisse neuronaler KI-Modelle als virtuelle Sensoren in die Wissensbasis ein und können dort gemeinsam mit vorhandenem, formalisierten a priori / Expertenwissen in einem Prognose- oder Entscheidungsprozess verwendet werden. Gemeinsam mit der so genannten Registry, die alle semantisch beschriebenen „Things“ verwaltet, wird den Serviceentwicklern eine funktional mächtige Toolbox an die Hand gegeben, mit der sie vergleichsweise effizient neue Smart Living Services aufbauen können.

Mehr zur ForeSight Toolbox

Data Factory
Jochen Bauer, FAU

Die Anwendung von Künstlicher Intelligenz im Wohngebäude
Denise Kahl, DFKI

Erfahrungen mit einer ForeSight Erprobungsumgebung und ELSI
Birgid Eberhardt, GSW Sigmaringen

Rechtliche Rahmenbedingungen aus Perspektive der Wohnungswirtschaft
Claus Wedemeier, GdW

Datenökosysteme als Treiber neuer Geschäftsmodelle
Oliver Thomas, DFKI