1:
Forretningsmæssige mål, der kunne være vigtige for MedTech i forbindelse med implementeringen
af SmartBuilding, omfatter øget medarbejdertilfredshed og trivsel, en reduktion af
driftsomkostninger og energiforbrug, øget bæredygtighed, forbedret sikkerhed og øget effektivitet.
2:
SmartBuilding vil anvende IoT-devices til at overvåge samt regulere belysning, luftkvalitet og
temperatur. Derudover vil dataanalyse og ML-modeller anvendes til at forudsige fremtidigt
energiforbrug, ressourcebehov og identificere områder med ineffektivitet og spild samt automatisere
visse administrative opgaver.
3:
En løsning som SmartBuilding har både juridiske og tekniske udfordringer. Det skal sikres, at formålet
med indsamlingen af oplysninger er tydeligt defineret, at der er indhentet samtykke, at begrænse
datalagringstiden og sikre datasikkerheden. Derudover er det vigtigt – specielt i en koncern som
MedTech, der opererer i flere lande - at sørge for, at persondatalovgivningen overholdes, da denne
kan variere fra land til land. Ydermere kan netværksintegrerede IoT-devices udgøre en
sikkerhedsmæssig risiko, hvorfor det vil være vigtigt at blive eksempelvis ISO/IEC 27001-compliant.
Teknisk kan der være udfordringer med interoperabiliteten i IoT-landskabet på grund af forskellige
kommunikationsprotokoller samt en generel manglende standard for, hvordan IoT-devices skal
interagere med eksempelvis cloud-services.
4:
Overvågningen af energiforbruget bør have højest prioritet. Det vil både kunne øge bæredygtigheden
men også potentielt reducere driftsomkostninger. Det er et skridt imod at blive ESG-compliant, og
det styrker virksomhedens omdømme i en tid, hvor det at være miljøbevidst er nærmest vitalt.
5:
Der kan anvendes forskellige ML-modeller til at forudsige energiforbrug og ressourcebehov –
eksempelvis regressions- eller tidsrækkemodeller, som tager højde for tidligere energi- og
ressourceforbrug samt andre faktorer så som vejrdata og klokkeslæt.
Derudover kan der benyttes PCA (Principal Component Analysis), som kan afsløre mønstre i data, til
at indikere områder med spild og ineffektivitet. Ydermere kan der anvendes klassifikationsmodeller
til at klassificere data som ineffektiv baseret på kategorier og træning med historiske data.
Ansvarlige AI-værktøjer, der kan være relevante i denne sammenhæng, inkluderer overvågning af
modellernes præstation og sikring af, at modellerne er etisk og retfærdige, samt transparens og
ansvarlighed i beslutningsprocessen, når modellernes output bruges til at træffe beslutninger om
ressourceforbrug og vedligeholdelse.