樓宇經理并不總是放心地將先進的自動化系統引入他們負責的設施。但是，計算機技術的進步、流行病驅動的任務和不斷變化的使用者期望，特別是圍繞公共衛生和工作場所的經驗，正在推動該行業以前所未有的速度接受新技術。

雖然建筑管理者認識到實現前所未有效率的機會，但涉及的技術決策與他們的能力相去甚遠。他們的專業知識通常是在暖通空調，照明控制和制冷機，而不是物聯網，網絡……人工智能。

人工智能是一項特別能改變游戲規則的技術，但由于其復雜性和缺乏對其決策方式的可見性，它也可能特別令人生畏。采用人工智能進行樓宇自動化的第一個挑戰通常是回答一個基本問題：它將走向何方?

如今，人工智能被用于使建筑更節能、更健康、更自主、更安全，并能對居住者的需求做出反應，這種技術最初是一種云計算技術。這些系統背后的機器學習算法需要強大的計算能力，既要訓練算法，又要調用算法來提供見解——這個過程叫做推理。直到最近，室內基礎設施很少有資源有效地完成這些事情。

但是，在遠程數據中心之外運行智能建筑應用有其自身的局限性。連通性、帶寬成本、安全性和延遲(將數據發送到云端和返回所需的時間)都可能影響系統的效率。如果一臺機器，或整個樓宇自動化系統即將發生故障，報警和自動響應需要盡可能及時。

新一代邊緣計算技術在很大程度上緩解了這個問題：基礎設施安裝在具有計算密集型工作負載所需處理能力的設施中。

七年前成立的 FogHorn 等公司已經開發出一種 Edge AI 技術，為建筑運營的數字化轉型創造了新的可能性。江森自控2022 年初收購了 FogHorn，現已將邊緣技術集成到其 OpenBlue 樓宇自動化平臺中。

通過縮小本地能力差距，這些邊緣設備提供了一個架構組件，對于實現盡可能高效地運行建筑物的目標很重要。隨著它們的可用性，考慮實施智能自動化技術的建筑管理人員現在幾乎不可避免地要面對一個問題：是在本地部署AI還是在云端部署AI。對于那些面臨這個問題的人，有一些簡單的經驗法則可以考慮。

正如我們已經提到的，需要實時執行或接近實時執行的操作是常見的邊緣用例。當延遲盡可能小的時候，能夠檢測操作問題并自動發出警報或作出響應的智能自動化系統往往工作得最好。

任何時候您想要對系統進行本地控制時，最好在邊緣進行；從云端關閉機器或調整控制系統通常會遇到安全和延遲挑戰。

然后還要考慮數據傳輸和存儲成本。以一個視頻監控系統為例，該系統通過計算機視覺AI模型分析來自多個攝像機的高保真圖像，這是一個流行的AI應用。將所有數據發送到云端并將其存儲在云端很快就會變得成本高昂。

其他用例并不那么明確。通常，建筑經理希望根據 AI 分析更深入地了解他們的運營方式，或者在其設施的“數字孿生”版本上運行模擬練習。這種嚴格的數據分析通常不需要實時進行，因此最好在云中執行，客戶可以在任何規模利用最強大的硬件和軟件工具來完成這項工作。

如果您負責運行多個建筑物并且需要關聯它們之間的信息，那么在邊緣運行 AI 也可能不是最佳選擇。在這種情況下，云允許一個集中的數據交換所和指揮中心。實際上，通常采用混合方法，其中通過 Edge AI 在單個建筑物中進行一些初始處理，然后在來自多個建筑物的聚合數據上運行云 AI，可能會結合其他數據源。

重要的是要記住，這些是建筑經理不需要單獨做出的決定——您的技術供應商應該與您合作，以確保將 AI 部署在最能滿足您的獨特需求的地方。并且建筑經理當然不需要接觸人工智能及其底層機器學習算法的復雜性，而是讓它在幕后發揮它的能力。

與許多正在大規模啟動“重返工作崗位”政策的組織一樣，甲骨文將大流行的后果視為引入智能建筑系統的獨特時刻。在經歷了幾年的疫情導致的關閉后，員工堅持在一個觸手可及的實體工作場所工作，那里的便利設施隨處可見，協作工具無處不在，空氣質量受到監控，擁擠程度受到限制，他們的公司在能源和水的使用和減少浪費方面正在實現可持續發展目標。由于建筑物的占用率仍處于歷史最低水平，關閉不需要運行的系統有助于大幅提高效率。

這些不斷變化的工作場所動態和期望可能是評估對物聯網 (IoT) 技術、連接它們的先進網絡和控制它們的人工智能系統的新投資的機會——根據入住率、員工體驗需求、所有權地點及其重要性(例如，研究實驗室與辦公空間的比較)做出決策。

與過去不同，建筑經理將利用率指標置于時間表之上，作為他們投資自動化控制系統的關鍵考慮因素。他們不能想當然地認為每個人都會回來：許多公司正在采用混合工作政策，而且辦公室第一次需要與家庭競爭，因為它是一個有吸引力且高效的工作環境。

經驗豐富的建筑管理人員正在爭先恐后地學習這些現代化運營所需的新技能。他們知道，有了人工智能的支持，無論是在邊緣還是在云端運行，他們可能會在鼓勵員工回到辦公室方面占據優勢，為他們提供一個安全、可持續的環境，讓他們與同事和客戶面對面交流，聚集在真正的飲水機周圍，讓更少的貓和孩子在會議上客串。