Lyhyt kuvaus: Fidelix hyödyntää koneoppimista rakennusautomaation poikkeamien automaattiseen tunnistamiseen. Azure-pohjainen ratkaisu analysoi kiinteistöjen toimintadataa ja tukee energiatehokkuuden sekä teknisen suorituskyvyn optimointia.

1. Yrityksen kuvaus

Fidelix on suomalainen yritys rakennusautomaation ja olosuhdehallinnan eturintamassa. Yritys tarjoaa älykkäitä järjestelmiä ja palveluita, jotka on suunniteltu optimoimaan sisäilmastoa, vähentämään energiankulutusta ja minimoimaan liike- ja asuinkiinteistöjen käyttökustannuksia. Tapaustutkimuksen tekstissä ei täsmennetä yrityksen tarkkaa vuosiliikevaihtoa eikä kokonaishenkilöstömäärää.

2. Mikä ongelma tekoälyn oli tarkoitus ratkaista?

• Fidelix seuraa reaaliaikaista dataa laajasta joukosta toisiinsa kytkettyjä rakennusautomaatiojärjestelmiä, joihin kuuluu myös suuria ilmanvaihtokoneita. Aiemmin tämän mittavan datamäärän analysointi tehottomuuksien tai rakennusvaurioiden havaitsemiseksi perustui siihen, että energia-asiantuntijat käsittelivät tietoa manuaalisesti. Tämä manuaalinen “neulan etsiminen heinäsuovasta” rajoitti yrityksen skaalautumiskykyä. Kasvattaakseen palveluliiketoimintaansa voimakkaasti Fidelixin oli ratkaistava keskeinen kysymys: miten tuottaa arvokkaita, dataan perustuvia optimointinäkemyksiä kymmenkertaiselle kiinteistömäärälle ilman, että manuaalista asiantuntijamäärää kasvatetaan rajusti.

3. Miten ongelma ratkaistiin ja millä työkaluilla?

• Fidelix teki yhteistyötä digitaalisen insinöörityön ja innovaatioiden konsulttitalon Futuricen kanssa. Täysin etätyönä toteutetussa yhteistyössä tiimi yhdisti syvällisen datatekniikan käyttäjäkeskeiseen palvelumuotoiluun rakentaakseen automatisoidun alustan:
• • Koneoppimistyötilan integrointi: Kehitystiimi konfiguroi ennakoivan koneoppimisinfrastruktuurin, joka käy läpi fyysisistä rakennusympäristöistä tulevaa jatkuvaa telemetriaa.
• • Poikkeamien automaattinen korostaminen: Taustajärjestelmään kehitettiin erikoistyökalu, joka merkitsee automaattisesti rakenteelliset ja mekaaniset poikkeamat kaikissa dataputkissa, jolloin alkuvaiheen manuaalista seulontaa ei tarvita lainkaan.
• • Käyttäjäkeskeiset asiantuntijakäyttöliittymät: Asiakaspolun kartoitusta ja empaattista käyttöliittymäsuunnittelua hyödyntäen tiimi rakensi koontinäyttönäkymiä, jotka muuntavat raa’an matemaattisen datan intuitiivisiksi ja toimintaan ohjaaviksi hälytyksiksi sisäisille asiantuntijoille.
• • Pilvinatiivi teknologiapino: Ratkaisu arkkitehtoitiin Microsoft Azuren komponenteilla, joihin kuuluvat Azure Data Factory, Azure Machine Learning Workspace, Azure Databricks ja Azure CosmosDB.

4. Mitä tuloksia saavutettiin?

• Yhdessä kehitetty koneoppimisalusta siirsi Fidelixin analytiikkapalvelut onnistuneesti reaktiivisesta, manuaalisesta työnkulusta erittäin skaalautuvaan toimintamalliin:
• • Heinäsuovan automaattinen seulonta: Työkalu suodattaa onnistuneesti rakennuksista saapuvat mittavat datavirrat, merkitsee laitepoikkeamat automaattisesti ja esittää ne asiantuntijoille validointia varten.
• • Skaalautuminen useisiin kiinteistöihin: Järjestelmä tukee energia-asiantuntijoita ilmanlaatu- ja lämpötilapoikkeamien samanaikaisessa diagnosoinnissa useissa asiakasrakennuksissa eri puolilla Suomea.
• • Liiketoiminnan ja teknologian tavoitteiden yhteensovittaminen: Kun käyttäjien tarpeet kytkettiin suoraan taustalla oleviin datavirtoihin, validoitu asiakaspolku maksimoi jokaisen tuotetun näkemyksen arvon.
• • Lisääntynyt arvo kiinteistöjen ylläpitäjille: Kiinteistönomistajat hyötyvät nopeammista ja tarkemmista datanäkemyksistä, jotka turvaavat sisäilman laatua ja alentavat kokonaisenergiankulutusta.

5. Mitä ongelmia ilmeni?

Projektin käynnistyessä tarkka operatiivinen etenemispolku ja liiketoimintamallin yhteensovittaminen olivat epäselviä. Tiimien oli ratkaistava selvä datasiiloparadoksi: raa’an analyysituloksen toimittaminen on käytännössä arvotonta, ellei siihen liity tehokasta käyttöliittymää. Puhtaan datatieteen ja käyttäjäkeskeisen toiminnan välisen kuilun kurominen edellytti, että muotoilijat työskentelivät tiiviisti energia-asiantuntijoiden rinnalla ymmärtääkseen aidosti heidän päivittäiset analyysitarpeensa.

6. Aika- ja rahainvestoinnit

Dokumentaatiossa ei paljasteta yrityksen luottamuksellisia konsultointipalkkioita, sisäisiä ohjelmistoinvestointeja eikä lisenssikustannuksia. Myöskään projektin tarkkaa kestoa ei kerrota.

7. Millaista osaamista tarvittiin ja mitä yhteistyökumppaneita käytettiin?

• Projekti vaati poikkitieteellistä erikoisosaamista edistyneestä koneoppimisesta, datatekniikasta, pilvinatiivista tallennuksen hallinnasta, asiakaspolun kartoituksesta ja empaattisesta palvelumuotoilusta. Fidelixin strateginen digitaalisen transformaation ja datatieteen kumppani oli Futurice.

8. Liiketoimintafunktion luokitus

Projekti kuuluu tutkimukseen ja kehitykseen (T&K), ohjelmistokehitykseen ja laadunvarmistukseen sekä DevOpsiin, infrastruktuuriin ja pilvipalveluihin. Se liittyy suoraan älykkäiden rakennusten operointiin, verkottuneiden tuotteiden kehitykseen (IoT) ja teollisen datan tiedonhallintaan.

9. Lähde

https://www.futurice.com/case-studies/fidelix-creating-value-with-machine-learning

Avainsanat:
Microsoft Azure, DevOps, koneoppiminen, laadunvarmistus, poikkeamien tunnistus, UI-suunnittelu, palvelumuotoilu, rakennusautomaatio