> For the complete documentation index, see [llms.txt](https://docs.buildings.ability.abb/collection/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/grundlagen-des-maschinellen-lernens-fur-buildingpro-suites.md). # Grundlagen des maschinellen Lernens für BuildingPro Suites ## Einführung in das maschinelle Lernen Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, das sich auf Systeme konzentriert, die aus Daten Muster lernen und diese Muster nutzen, um Vorhersagen, Klassifikationen oder andere nützliche Schlussfolgerungen zu treffen. Anstatt sich nur auf explizit geschriebene Regeln zu verlassen, verbessern Machine-Learning-Modelle ihre Leistung, indem sie anhand von Beispielen trainiert werden. Im Kontext intelligenter Gebäude ist dies wichtig, weil Gebäude große Mengen an Betriebsdaten aus vielen verschiedenen Systemen erzeugen. ABB Ability™ BuildingPro Suites ist als einheitliche Cloud-Intelligenzplattform positioniert, die Gebäudeautomation, Heizung, Lüftung und Klimatisierung (HVAC), Energie, Informationstechnologie (IT), Betriebstechnologie (OT) und andere Systeme verbindet, um isolierte Gebäudedaten in umsetzbare Erkenntnisse, Dashboards, prädiktive Werkzeuge und Intelligenz umzuwandeln. Dies schafft eine solide Grundlage für Machine-Learning-Anwendungen. Diese Seite erklärt, was Machine Learning ist, wie es sich von allgemeiner künstlicher Intelligenz unterscheidet, wie es prinzipiell funktioniert und warum es für BuildingPro Suites relevant ist. ### Was ist Machine Learning? Machine Learning ist das Gebiet der künstlichen Intelligenz, das sich mit Algorithmen befasst, die aus Daten lernen. Ein Machine-Learning-Modell wird nicht im Voraus mit jeder Entscheidungsregel programmiert. Stattdessen wird es anhand von Beispielen trainiert, damit es Muster erkennen und auf neue Daten anwenden kann. Die zentrale Idee ist einfach. Wenn ein Modell aus Daten lernt, die für die Aufgabe repräsentativ sind, die es später in der Praxis bewältigen wird, kann es aus dieser Erfahrung verallgemeinern und bei der Bereitstellung nützliche Ergebnisse liefern. Diese Ergebnisse können Vorhersagen, Anomaliesignale, Klassifikationen, Rangfolgen oder Empfehlungen sein. In diesem Sinne geht es beim Machine Learning weniger um feste Anweisungen als um aus Daten gelerntes Verhalten. ### Machine Learning und künstliche Intelligenz Machine Learning und künstliche Intelligenz sind eng miteinander verbunden, aber nicht dasselbe. Künstliche Intelligenz ist der übergeordnete Begriff. Er umfasst jedes System, das Informationen nutzen kann, um Entscheidungen zu treffen oder Handlungen zu unterstützen, ohne dass dabei ständig menschliches Eingreifen erforderlich ist. Einige KI-Systeme sind vollständig regelbasiert. Diese Systeme verhalten sich gemäß einer von Menschen definierten expliziten Logik. Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Hier wird die Logik nicht vollständig von Hand definiert. Stattdessen lernt das System Muster aus Beispielen. Ein einfaches Gebäudebeispiel hilft, den Unterschied zu erklären. Ein regelbasiertes System könnte so funktionieren: * wenn die Raumtemperatur unter einem definierten Schwellenwert liegt, die Heizung starten * wenn die Raumtemperatur über einem definierten Schwellenwert liegt, die Kühlung starten Das ist nützlich und oft notwendig. Aber es basiert weiterhin auf festen Regeln. Ein Machine-Learning-System funktioniert anders. Anstatt sich nur auf manuell definierte Schwellenwerte zu verlassen, kann es aus historischem Verhalten, Anlagenzuständen, Zeitmustern und anderem Kontext lernen, um erwartetes Verhalten zu erkennen, den Bedarf abzuschätzen oder ungewöhnliche Zustände zu entdecken. In der Praxis kombinieren intelligente Gebäudelösungen oft beide Ansätze: * Regeln für deterministisches Verhalten * Analytik für Transparenz * Machine Learning für gelernte Vorhersagen und Mustererkennung ### Wie Machine Learning funktioniert Auf hoher Ebene funktioniert Machine Learning, indem es eine Beziehung zwischen Eingangsdaten und einer gewünschten Ausgabe lernt. Der Prozess beginnt in der Regel mit Daten. Im Gebäudekontext können diese Daten Messwerte, Gerätezustände, Alarme, Ereignisse, Anlagenmetadaten, Zeitpläne oder Kontextinformationen wie Zeit und Standort umfassen. Während des Trainings wird das Modell diesen Daten ausgesetzt und passt seine internen Parameter so an, dass seine Ausgaben für die beabsichtigte Aufgabe nützlicher werden. Das Ziel ist nicht nur, bei Trainingsdaten gut abzuschneiden. Das eigentliche Ziel ist die Generalisierung. Das bedeutet, dass das Modell auch bei neuen Daten, die es noch nie zuvor gesehen hat, gut funktionieren sollte. Wenn das Modell später in einer realen Anwendung eingesetzt wird, wendet es das Gelernte auf eingehende Daten an. Dieser Schritt wird oft als Inferenz bezeichnet. Der praktische Nutzen von Machine Learning hängt daher von drei Dingen ab: * relevante und zuverlässige Daten * ein für das Problem geeignetes Modell * nützliche Generalisierung auf reale Gebäudeszenarien ### Warum Machine Learning in intelligenten Gebäuden nützlich ist Intelligente Gebäude enthalten viele Systeme, viele Anlagen und viele Datenpunkte. Mit der wachsenden Zahl vernetzter Geräte und Systeme wird es schwieriger, alle relevanten Wechselwirkungen allein durch manuelle Prüfung zu verstehen. Machine Learning ist in diesem Umfeld nützlich, weil es helfen kann, Muster sichtbar zu machen, die sich mit fester Logik nur schwer definieren lassen. Es ist besonders relevant, wenn Nutzer Fragen beantworten müssen wie: * Was wird wahrscheinlich als Nächstes passieren? * Welches Verhalten wirkt ungewöhnlich? * Welche Anlage oder welches Problem sollte zuerst untersucht werden? * Welche Trends sind über ein Portfolio hinweg relevant? Dies passt gut zur öffentlichen Positionierung von BuildingPro Suites, die prädiktive Werkzeuge, intelligentere datengestützte Entscheidungen, Nachfrageprognosen, Anomalieerkennung und proaktive KI \[1] umfasst. ### Hauptarten des Machine Learning Machine-Learning-Methoden werden oft in drei breite Kategorien eingeteilt. #### Überwachtes Lernen Beim überwachten Lernen wird ein Modell mit Beispielen trainiert, bei denen die gewünschte Ausgabe bereits bekannt ist. Ziel ist es, eine Abbildung von Eingabe zu Ausgabe zu lernen. Dieser Ansatz wird häufig für Aufgaben verwendet wie: * Vorhersage zukünftiger Werte * Klassifikation von Ereignissen oder Zuständen * Scoring- oder Ranking-Aufgaben #### Unüberwachtes Lernen Beim unüberwachten Lernen arbeitet das Modell mit unbeschrifteten Daten und versucht, eigenständig Strukturen oder Muster zu erkennen. Dies ist nützlich für Aufgaben wie: * Clustering ähnlicher Anlagen oder Verhaltensweisen * Zusammenhänge finden * ungewöhnliche Muster erkennen * Komplexität der Daten reduzieren #### Verstärkungslernen Beim Verstärkungslernen lernt ein System durch Interaktion, Feedback und Belohnung. Anstatt eine einzige richtige Antwort vorherzusagen, lernt es im Laufe der Zeit, welche Aktionen besser sind. Dies ist besonders relevant für sequentielle Entscheidungsfindung und Optimierungsprobleme und wird in einem separaten Abschnitt der Academy behandelt. ### Deep Learning und modernes Machine Learning In den letzten Jahren ist Deep Learning zu einem der wichtigsten Ansätze im Machine Learning geworden. Deep Learning verwendet große künstliche neuronale Netze, die komplexe Muster direkt aus Daten lernen können. Das ist einer der Gründe, warum moderne KI-Systeme sich in Bereichen wie Sprache, Bilder, Mustererkennung und generativer KI so schnell weiterentwickelt haben. Large Language Models (LLMs) und andere Systeme auf Basis von Foundation Models sind Teil dieser breiteren Entwicklung. Das macht frühere Machine-Learning-Konzepte nicht irrelevant. Es bedeutet, dass sich das Feld erweitert hat. Viele moderne KI-Systeme beruhen weiterhin auf derselben Grundidee: Muster aus Daten zu lernen und sie zu nutzen, um auf neue Situationen zu verallgemeinern. Für BuildingPro Suites ist das eine wichtige Perspektive. Unabhängig davon, ob eine Anwendung traditionelles Machine Learning, Deep Learning oder neuere Modelltypen verwendet, hängt der Nutzen weiterhin stark von verbundenen, strukturierten und aussagekräftigen Gebäudedaten ab. ### Machine Learning in BuildingPro Suites BuildingPro Suites bietet mehrere wichtige Grundlagen, die Machine-Learning-Anwendungen unterstützen. Es verbindet Daten aus Gebäudeautomation, HVAC, Energie, IT, OT und Systemen von Drittanbietern in einer Plattform \[1]. Außerdem bietet es Struktur durch Tags, benutzerdefinierte Asset-Vorlagen, Asset-Instanzen, verschachtelte Assets, Punkte und Attribute \[2]. Diese Fähigkeiten helfen dabei zu definieren, was die Daten darstellen und wie verschiedene Objekte zueinander in Beziehung stehen. Das ist wichtig, weil Machine-Learning-Modelle nützlicher sind, wenn sie mit Daten arbeiten, die nicht nur verfügbar, sondern auch gut organisiert und aussagekräftig sind. Ein Modellergebnis wird viel umsetzbarer, wenn es einem bekannten Asset, Gebäudebereich, einer Hierarchie oder einem Workflow zugeordnet werden kann. BuildingPro Suites unterstützt außerdem Integrationen, APIs und app-basierte Erweiterungen in einer skalierbaren Architektur \[2]. Das ist wichtig, weil Machine Learning mehr als nur Modelle braucht. Es braucht auch eine Möglichkeit, auf Daten zuzugreifen, Dienste auszuführen und Ergebnisse in operative Abläufe zu überführen. ### Fazit Machine Learning ist eine Methode zum Aufbau von Systemen, die aus Daten lernen, statt sich nur auf feste Anweisungen zu verlassen. Es ist ein Kernbestandteil moderner künstlicher Intelligenz und wird häufig eingesetzt, um Vorhersagen, Anomalieerkennung, Klassifikation und Priorisierung zu unterstützen. In intelligenten Gebäuden ist Machine Learning besonders wertvoll, weil es hilft, große Mengen vernetzter Betriebsdaten in nützlichere Erkenntnisse umzuwandeln. BuildingPro Suites bietet dafür wichtige Grundlagen durch Datenintegration, semantische Struktur, skalierbare Architektur und die Positionierung im Bereich prädiktive Intelligenz. Aus diesem Grund ist Machine Learning in BuildingPro Suites nicht nur ein technisches Thema. Es ist Teil des übergeordneten Ziels, Gebäudedaten in praktische Intelligenz für Gebäude und Portfolios umzuwandeln. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/grundlagen-des-maschinellen-lernens-fur-buildingpro-suites.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.