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

Case-kuvaus on tekoälyn koostama lähteestä:

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