Big data er det nye sort - og bliver stadig omtalt som sådan. Big data dækker bredt over indsamling, analyse og fortolkning af enorme mængder af data. Men de mennesker, der skal kunne tage beslutninger og handle på baggrund af data er jo typisk ikke data-eksperter. Tag f.eks. pedellen i en bygning, der skal hjælpe med at holde bygningens energiforbrug og indeklima i god form – han eller hun er ikke data-eksperter.

Professor Kaj Grønbæk, Institut for Datalogi, Aarhus Universitet har i samarbejde med bl.a. Alexandra Instituttets etnografer gennemført et projekt – EcoSense - på Grundfos Kollegiet en bygning med mere end 150 beboere i små lejligheder. Bygningen er udstyret med sensorer, der samler ca. 20 milliarder sensor-aflæsninger pr år - altså big data. Projektet havde til formål at gøre alt den data som bygningen hver dag indsamler - 365 dage om året - forståeligt for dem, der skal styre energi og indeklima, herunder pedellen. Kollegiet fungerer derfor som et living lab, hvor beboernes energiadfærd, som f.eks. hvor meget vand, varme og lys de bruger på hvilke tidspunkter af døgnet registreres og kan analyseres primært anonymt.

For at gøre disse data forståelige for almindelige brugere, så har forskerne i Kaj Grønbæks gruppe udviklet et visuelt big data analyseværktøj, hvor den enorme datamængde visualiseres som en slags farvet søjlediagram foldet omkring en ”digital tvilling” af bygningen. På denne måde kan folk, der er eksperter i bygninger vende og dreje den digitale tvilling af bygningen, samt slå lag af data til og fra, så de meget håndgribeligt kan analysere mønstre eller ekstreme udsving i forbrug.

Et sådant værktøj kan blive et vigtigt redskab for bygningsadministratorer i fremtiden, når bygningerne skal forsynes alene med vedvarende energi, så er det vigtigt at forstå folks energiadfærd og mulighederne for at ændre denne. For selvom der tales om smarte bygninger og endda kognitive bygninger, der er selv-regulerende, så kan de ikke fungere uden bygningens brugere og administratorer forstår hvad optimal energiadfærd er. (Artiklen fortsætter under billederne)

Grundfos Kollegiet med 150 beboere er udstyret med sensorer, der samler ca. 20 milliarder sensoraflæsninger pr år - altså big data. Projektet havde til formål at gøre alt den data som bygningen hver dag indsamler - 365 dage om året - forståeligt for dem, der skal styre energi og indeklima, herunder pedellen. Til højre Professor Kaj Grønbæk, Institut for Datalogi, Aarhus Universitet.

Big data suppleres med kvalitativ ”thick data”

Når det drejer sig om at forstå menneskelig energiadfærd i bygninger, og gøre bygningerne mere energirigtige, samt støtte beboerne i at få energirigtig adfærd, så er der også brug for mere kvalitativ data analyse. Det gælder både for pedellen og energiforskeren. I projektet på kollegiet indsamlede etnograferne fra Alexandra Instituttet kvalitative data, der i dag ofte betegnes ”thick data” – en lillesøster til Big Data.

- Thick data er relevant, fordi de data du indsamler fra sensorerne i bygningen, kun giver et meget begrænset billedet af, hvad der foregår – typisk fakta om temperatur, vandforbrug mm. i bygningen. Men ud fra det, kan du ikke regne ud om beboernes energiforbrug skyldes dårlige vaner, der kan ændres, eller om de dyrker meget fitness og derfor helt rimeligt tager bad flere gange om dagen. Thick data indhentes i små mængder gennem interviews, observationer og spørgeskemaer - altså beboernes egne fortællinger om deres liv og forbrug, hvor big data kun er elektroniske sensor målinger, siger professor Kaj Grønbæk.

Det udviklede big data analyseværktøj har derfor - som en unik egenskab - mulighed for integrere”thick data” i analyserne af big data, så man f.eks. ud over et faktuelt højt varmeforbrug på bestemte tidspunkter vil kunne se, mulige kvalitative forklaringer på dette forbrug. Dette er nyttigt både for pedellen, administratoren og energiforskeren.

- Vores big data viste f.eks., at varmeforbruget bragede derud af i nogle lejligheder på Grundfos Kollegiet. Vores indsamlede thick data fortalte os bl.a., at beboerne slet ikke havde rørt ved termostaterne. Så mange af beboeren havde ikke opdaget, at termostaten var sat for højt i udgangspunket, siger professor Kaj Grønbæk. 

Forstå din bygning

Fremtidens bygninger kan f.eks. ved hjælp af Big Data, selv stå for at regulere temperaturen, åbne og lukke for vinduerne og registrere alt forbruget i den. Men hvad nu hvis beboerne i sådan en bygning ikke forstår bygningens valg. Det kunne være en natarbejder, der ikke synes det er hensigtsmæssigt, at bygningen sænker temperaturen om natten.

- Projektet viste os, at beboerne i bygningen har vidt forskellige rytmer, og ikke passer til en one-size-fits-all styring. Det er derfor vanskeligt at automatisere alt indeklima i en bygning med kunstig intelligens. Hvis beboerne ikke forstår bygningens beslutninger, så vil de nemt kunne komme til at modarbejde den. Vi mener, derfor at det er nødvendigt at kombinere big data og thick data, for at få en helhedsforståelse, der i sidste ende kan hjælpe pedellen med at styre bygningen bedst muligt for dem der bor der, påpeger professor Kaj Grønbæk

Menneskelig energiadfærd er kompleks

Resultaterne fra projektet på Grundfos Kollegiet var bl.a, at den menneskelig energiadfærd i bygninger er kompleks at forstå. Men, at thick data er nødvendigt i forhold til at forstå big data korrekt.  

- Når vi samlet data og analyseret grundigt, så er vi også bedre i stand til målrettet at træne machine learning værktøjer – der kan genkende mønstrene i beboernes energiadfærd, og benytte dette både til styring af bygningen og til at informere beboerne om handlemuligheder. Det kan hjælpe beboerne i at få en mere energirigtig adfærd og hjælpe pedellen med at tage valg, der understøtter den måde beboerne lever deres liv på, afslutter professor Kaj Grønbæk.

Kom og hør flere eksempler på, hvordan brugerne kan forstå big data, når professor Kaj Grønbæk holder oplæg om projektet på it-forums årskonference den 27. september i Aarhus.