【來論】屋宇工程中的「啤酒與尿片」

市場學上曾經有這樣的一個經典案例──「啤酒與尿片」。雜貨零售店通過數據挖掘，發現逢星期五晚，尿片和啤酒的銷量具有關聯性。後來，發現這種關聯性，源於男士下班後，往往會被要求順路購買尿片回家，而男士又會順便為自己採購啤酒，於是令兩者出現關連性。

儘管這只是一個市場學的舊故事，但其啟發性和影響力，仍常出現於很多數據密集型行業的應用程式設計上。例如，今時今日的屋宇工程系統，為我們提供了大量關於裝置、設備和設施日常運作的數據。收集適當的數據後，進行分析，就可識別出屋宇系統的運作模式，例如耗電、人流、承重、熱舒適度水平和裝備的維修保養等。

要為屋宇工程作出明智決策，必先了解每個工程部分，均非由孤立的系統集合而成，而是一個相互聯繫的生態系統，當中每個部分，都以獨特的方式進行互動。行業專家們會根據每個案例，累積自己的一套經驗；然而，要了解一個更為龐大的生態系統中，每個子部分間極為巨大的互連關係，對於人類而言，即使並非近乎不可能，但必然耗力極巨。

電梯電纜出現異常，就是一個有趣的例子。從行業專家的角度來看，如果電梯電纜突然跳動，顯示問題與電梯本身有關，例如是發動機或制動器故障。但是，如果在同一個地區，所有電梯電纜都同時出現同一事故，就表明可能發生了一個連行業專家都沒有經驗過的問題。透過數據查核，可能會發現問題源於區內電力故障；但這類問題已非屋宇本身可以自行解決，更絕非行業專家能力所及。只有通過數據主導的方法，找出並解釋各種數據之間的關聯性，才能及時發現問題並予以即時處理。

數據主導的方法，不僅適用於屋宇維修保養，更可用於許多其他方面，例如評估節能功效、提升用戶體驗，以及開拓超出行業專家經驗以外的機會。

然而，即使這種方法明顯易於執行，但從不同系統收集的數據，卻很少能完全解讀及應用；意思非指我們在培訓上或行業內，數據科學家的數量不足，而是在現實中，理解和解讀屋宇系統數據的技術，其障礙非常高。關於數據及其彼此間關係的定義，尚未有被廣泛執行的統一標準；而業內所常用的專門術語，亦非廣為數據科學家所熟悉。數據的質量低，加上缺乏解讀特定行業大數據集的有效方法，就成為了兩個普遍存在的問題。

為解決這些問題，應該開發一種通用的語義模式，能表述出屋宇設備系統及其子系統、組件和零件間如何彼此互動。

現時已有一些大學的屋宇工程學系和業內組織，正積極研究此一主題，希望不久之後，我們將能看到類似市場學中，解讀「啤酒和尿片」相互關係的經典案例，在屋宇工程行業的數據解讀中出現。

戴劍寒

香港電腦學會人工智能專家小組

執行委員會成員