Forskere har udviklet en to-trins metode, der bruger reinforcement learning til at forudsige og aktivt justere termisk komfort for den enkelte person i en bygning. Metoden, beskrevet i et nyt paper på arXiv, kombinerer multimodal fysiologisk og miljømæssig sensing med beslutningstagning baseret på reinforcement learning. Det adresserer en grundlæggende svaghed i konventionelle HVAC-systemer, som ifølge forskerne "rely on static setpoints and population-level comfort models that fail to capture individual physiological variability."
For beslutningstagere i byggebranchen, facility management og energisektoren betyder det noget, fordi potentialet rækker ud over komfort. Ved at erstatte statiske setpunkter med en adaptiv model, der lærer af den enkeltes fysiologiske respons, kan systemet i princippet reducere energiforbruget uden at gå på kompromis med oplevelsen. Det er en strategisk relevant udvikling i en tid, hvor både regulering og markedet presser på for mere effektive og bæredygtige bygninger.
Metoden er stadig på forskningsstadiet, men den peger på en retning, hvor AI ikke bare optimerer på tværs af befolkningsgennemsnit, men på individniveau. Det kræver dog, at bygningsejere og leverandører investerer i sensorinfrastruktur og i at forstå, hvordan data fra fx pulsmålere og temperaturfølere kan integreres i eksisterende driftsystemer.
