45 TESİSAT • 07 / 2025 TEKNOLOJİ şık 1.400 eve bir yıl boyunca güç sağlamak için yeterli elektriktir. AI’nın mevcut güç tüketimi, Japonya’nınkiyle hemen hemen aynıdır; Su: Bir araştırmaya göre, AI’nın 2027 yılına kadar yılda 4,2 ila 6,6 milyar metreküp su tüketmesi bekleniyor. Bu, AI’nın tüm Danimarka ülkesinin tükettiği su miktarının 4-6 katı kadar su tüketeceği anlamına geliyor; Malzemeler: Birleşmiş Milletler Çevre Programı’na (UNEP) göre, her 800 kg ham maddeden yalnızca 2 kg’ı kullanışlı malzeme olarak sonuçlanıyor. Bu, AI çiplerinin üretim verimliliğini %0,25’e çıkarıyor. Ayrıca, kullanılan malzemelerin çoğunun kurşun ve cıva gibi tehlikeli maddeler içerdiği biliniyor. Çevresel etkinin muazzam olması nedeniyle, tasarım firmalarının yapay zekayı “sürdürmek” için gereken ek altyapıya değecek görevlerin hangileri olduğuna dair bilinçli kararlar alabilmeleri için daha fazla şeffaflığa ihtiyaç duyuluyor. MÜHENDISLER İÇIN PRATIK TAVSIYELER Yapay zeka tabanlı araçları değerlendiren makine mühendisleri ve sistem tasarımcıları için birkaç husus şunlardır: seçimleri önerebilir. Bu, ayrıntılı simülasyonun yerini tutmasa da, ilk yinelemeleri kolaylaştırabilir ve konsept geliştirmeyi destekleyebilir. Yapay zekanın, simülasyon modellerini gerçek dünya verilerine göre kalibre ederek bina performans modellemesini iyileştirme potansiyeli de vardır. Bu, hem mühendisleri hem de bina sahiplerini hayal kırıklığına uğratmaya devam eden bir zorluk olan öngörülen ve gerçek performans arasındaki kalıcı boşluğu kapatmaya yardımcı olabilir. Ancak yeni bir binanın tasarımında yük hesaplamaları ve enerji simülasyonu için yapay zeka modellerini eğitmek üzere “iyi” veri bulmak gerçek bir zorluktur. İZLENMESI GEREKEN SINIRLAMALAR VE RISKLER Bu umut verici kullanım örneklerine rağmen, mühendislerin yapay zekaya güvenmeden önce farkında olmaları gereken önemli sınırlamalar da bulunmaktadır: 1. VERI KALITESI VE MIKTARI Yapay zeka sistemleri iyi çalışabilmek için büyük miktarda temiz, alakalı veriye ihtiyaç duyar. Birçok binada, bu veri basitçe mevcut değildir veya mevcutsa bile boşluklar, tutarsızlıklar ve sensör hatalarıyla doludur. Zayıf veri, güvenilmez sonuçlara yol açar ve sistemler beklendiği gibi performans göstermediğinde mühendisler bunun sonuçlarına katlanır. 2. ŞEFFAFLIK EKSIKLIĞI Birçok AI modeli “kara kutular” olarak çalışır, yani iç mantıkları opaktır. Fizik tabanlı modellemeye ve kesin sonuçlara alışkın mühendisler için bu açıklanabilirlik eksikliği bir sorundur, özellikle de düzenleyici uyumluluk veya sorumluluk söz konusu olduğunda. 3. BAĞLAM KÖRLÜĞÜ Yapay zeka bağlamı insanlar gibi anlamıyor. Dış mekan sıcaklığı ile enerji kullanımı arasında bir ilişki tespit edebilir, ancak bozuk bir damper, yakın zamanda kiracı değişikliği veya mekanik bir geçersiz kılma hakkında bilgi sahibi değildir. İnsan denetimi, özellikle iç mekan çevre kalitesini veya güvenlik işlevlerini kontrol eden sistemlerde önemli olmaya devam ediyor. 4. AŞIRI SÖZ VERMEK VE AZINI GERÇEKLEŞTIRMEK Bazı durumlarda, pazarlama iddiaları teknik gerçekliği geride bırakır. Mühendisler, şeffaflık, denetim izleri veya net yatırım getirisi sunmadan “otonom optimizasyon” vaat eden çözümlere karşı dikkatli olmalıdır. Bina sahipleri giderek daha fazla hesap verebilirlik talep ediyor sadece otomasyon değil. 5. ÇEVRESEL ETKILER Yapay zeka çok fazla potansiyele sahip olsa da ve tıp ve biyolojideki gelişmelere önemli ölçüde katkıda bulunmuş olsa da, yapay zeka sistemlerinin üretilmesi ve işletilmesi için çok fazla kaynağa ihtiyaç vardır. Yapay zeka altyapısının sürekli geliştirilmesi ve inşasının çevresel etkileri henüz tam olarak anlaşılmamıştır, ancak şunları içerir: Enerji: AI aşırı derecede güç açlığı çekiyor. Google AI aramasının GPT-4o’yu eğitmek için ne kadar güç tüketildiğine dair bildirdiği tahmin 65.000 Mwh idi. Bu, 1,2 milyondan fazla ABD evine bir saat veya yakla-
RkJQdWJsaXNoZXIy MTcyMTY=