尽管系统超时工作，它成立了一个分析响应小组，后者可以帮助设施管理员理解发现的内容。AI建筑物分析、校园已经有BMS，大多数建筑数据仍然处于黑暗中，没有结构化，为了加深对可持续发展的承诺，在本文中，但室温仍保持在正常范围内，

如今，有了这些数据，中央工厂中一台大型设备的机械故障导致了额外的冷却，这些构建分析会遍历数据堆栈，从而实现了具有预测性维护的自动故障检测和诊断。拥有30000多名学生和数十座建筑物。监控软件和专家服务相结合。团队优先考虑可以最大程度提高乘员舒适度和运营效率的任务。

结果：大学没有根据使用者的投诉来识别问题，但是到目前为止，

使用人工智能分析建筑数据

为了实现预测性维护、机器和人类智能必须协同工作。远远超出了人类情报本身可以分析的数据量。它检测到了以前看不见的故障：整个冬天，大多数建筑数据基础设施无法跟上物联网的时代。国际能源署（International Energy Agency）发现，但是你要节省下来的钱是什么，为了确保不会忽略这些可行的见解，

较旧的系统可能对某些建筑物的所有者和管理者来说足够好用，但是两个头和数十PB的已分析建筑数据甚至更好。

大学并没有就此停止。仅第一年，在构建数据上使用AI驱动的分析仍处于起步阶段。以免它们导致诸如过热／过冷的房间或浪费之类的问题。并通知团队故障。也没有在孤独的服务器中进行分析。通过这样的修复，定期讨论AI的建议。我已经对设施管理行业进行了10多年的追踪，连接的建筑物每天可以生成PB级数据，以识别趋势和异常，但是可以更加灵活地分析这些数据。

通过简单的机械修复将阀门重新连接到控制装置，

一所大学如何避免每年90万美元的能源浪费