MELT-B: mesterséges intelligenciával működő webes platform, amely hőkamerás felvételekből épületenergetikai elemzéseket készít

Az épületek a globális energiafogyasztás közel 40 százalékáért felelősek, így azok azonosítása, amelyek a legtöbb hőt veszítik, hatalmas lehetőséget jelent a kormányzatok, közműszolgáltatók és építőipari cégek számára. A valódi akadály az adat. A hagyományos energetikai auditok során szakembereket kell kiküldeni minden egyes helyszínre hőkamerával (ami látható fény helyett hőt érzékel), épületenként egyesével. Ez lassú, drága, és lehetetlen egy egész városra, nemhogy egy egész országra kiterjeszteni.

Az ESA gyökeresen más megközelítést akart: ahelyett, hogy épületeket látogatnának végig, a Föld felett keringő műholdakra szerelt szenzorokkal készült hőképeket használnák fel, és a szoftverre bíznák az elemzést. A nyers felvételek azonban hatalmasak, zajosak és földrajzilag összetettek; egy hőkép-pixel önmagában nem árulja el, melyik épülethez tartozik, mekkora az az épület, vagy miből épült. A valódi probléma tehát szoftverfejlesztési és adattudományi jellegű volt: olyan megbízható pipeline-t és AI-rendszert kellett építeni, amely terabájtnyi felvételt tud feldolgozni, minden egyes pixelt hozzá tud rendelni egy konkrét épülethez egy városszintű adatbázisban, meg tudja becsülni az adott épület hőveszteségét, és az eredményeket egy olyan webalkalmazáson keresztül tudja megjeleníteni, amelyet nem technikai felhasználók (várostervezők, felújító cégek, anyagbeszállítók) is ténylegesen tudnak használni.

A MELT-B (a Monitoring, Estimating, and Simulating Loss of Thermal Energy in Buildings rövidítése) az a végponttól végpontig működő felhőalapú platform, amelyet ennek megoldására építettünk. Az adatmérnöki oldalon automatizált pipeline-t terveztünk AWS-en: a hőképek az S3-ba (Amazon objektumtároló szolgáltatása) érkeznek, Lambda-függvények (kis kódrészletek, amelyek automatikusan lefutnak, amint új adat érkezik) indítják el a feldolgozási feladatokat, az eredmények pedig egy PostGIS-szel kibővített PostgreSQL adatbázisba kerülnek. A PostGIS földrajzi képességekkel egészíti ki a hagyományos relációs adatbázist, így olyan lekérdezéseket futtathatunk közvetlenül SQL-ben, mint például „keresd meg az összes épületet ebben a városrészben, amelynek hővesztesége a városi átlag felett van”. Az épületkontúrokat, energetikai tanúsítványokat, építőanyag-adatokat és egyéb metaadatokat nyilvános nyilvántartásokból nyerjük ki, és ugyanabban az adatbázisban párosítjuk össze a felvételekkel, így minden épülethez gazdag, lekérdezhető profil tartozik.

Az AI oldalon PyTorch és TensorFlow segítségével tanítottunk számítógépes látás modelleket, amelyeket AWS SageMakeren (Amazon menedzselt gépi tanulási szolgáltatása) keresztül szolgálunk ki, két feladat elvégzésére. Először is szegmentálás: annak azonosítása, hogy egy hőkép mely pixelei tartoznak melyik épülethez, ami nem triviális feladat, hiszen a tetők, árnyékok, szomszédos épületek és utak mind zavarják a jelet. Másodszor becslés: minden épület hőveszteségének előrejelzése a hőjel és a hozzá tartozó metaadatok alapján, valamint a legrosszabbul teljesítők kiszűrése. Az eredményt egy REST API-n keresztül tesszük elérhetővé, és egy React webes dashboardon jelenítjük meg, ahol a felhasználók bejárhatják a várost, rákattinthatnak bármelyik épületre, és láthatják annak becsült energiateljesítményét, CO₂-lábnyomát és felújítási prioritását. A térinformatikai szakemberek (akik térképalapú adatokkal dolgoznak) számára ugyanezek a rétegek közvetlenül betölthetők olyan eszközökbe, mint a QGIS. A teljes rendszer verziókövetése GitHubon történik, és CI/CD-n keresztül kerül élesítésre, így minden változtatás automatikusan tesztelésre és kiadásra kerül.

A debreceni (Magyarország) és southamptoni (Egyesült Királyság) pilot bevezetések megmutatták, hogy a platform egy teljes város hőadatait fel tudja dolgozni, és órák (nem hónapok) alatt tud épületenkénti hőveszteség-becslést készíteni, a manuális auditok költségének töredékéért. A várostervezők most már megnyithatják a webes dashboardot, becsült hőveszteség szerint rendezhetik az épületállományt, és valós adatokra épülő, célzott felújítási terveket készíthetnek. Mivel minden szerver nélküli AWS-architektúrán fut, ugyanaz a szoftver minimális átalakítással bármely új városra ráállítható; egy új régió hozzáadása konfigurációs változtatás, nem újraépítés. Ami egy speciális űrkutatási projektként indult, abból egy általános célú, AI-vezérelt adatplatform lett a városi energiagazdálkodáshoz, bemutatva, hogyan tud a modern webes, adatbázis- és gépi tanulási mérnöki munka olyan értéket felszabadítani, amely korábban a nyers műholdas adatokban rejtve maradt.