建物データを予測につながる知見へ。KyoSensaのインサイトエンジン

多くの建物モニタリングシステムは、「今、何が起きているのか」を把握することには優れています。センサーを使えば、含水率が上昇した、湿度が変化した、あるいは設定した閾値を超えた、といった情報を得ることができます。

しかし、建物の所有者や管理者にとって本当に難しいのは、その先にある判断です。

この変化は正常なのか。

以前にも同じことが起きていたのか。

建物は通常どおりの速さで乾燥しているのか。

この数値は対応すべき兆候なのか、それとも前日の雨による一時的な変化にすぎないのか。

そして何よりも、何か問題が起こり始めているのか。

KyoSensaのインサイトエンジンは、こうした問いに答えるために開発されています。

KyoSensaの基本的な考え方は、建物を単に「監視する」のではなく、「理解する」ことです。

この二つには大きな違いがあります。

従来型のモニタリングシステムは、測定値を記録します。一方、KyoSensaは、それらの測定値に気象条件、過去の挙動、建物内の異なる場所同士の関係性などを組み合わせ、その建物が普段どのように振る舞うのかを少しずつ学習していきます。

私たちは、この建物ごとに形成されるモデルを**「Building Fingerprint（ビルディング・フィンガープリント）」**と呼んでいます。

「正常」とは何かを、建物そのものから学ぶ

同じように見える建物であっても、その挙動は一つとして同じではありません。

建材、換気状況、日照、降雨への曝露、排水環境、利用状況などは建物ごとに異なります。わずか数メートルしか離れていない場所であっても、同じ雨に対してまったく異なる反応を示すことがあります。

そのためKyoSensaでは、すべての建物に共通する「理想的な含水率」や、単一のルールだけで建物の状態を判断できるとは考えていません。

インサイトエンジンが学ぶのは、その建物自身です。

モニタリングデータが蓄積されるにつれ、KyoSensaは建物の中に存在するパターンを把握していきます。

季節や天候の変化に対して各センサーが通常どのように反応するのか、降雨後に水分量がどの程度上昇するのか、どのくらいの時間で元の状態に戻るのか、どのセンサー同士が同じような動きをするのか、逆にどの場所が独立した挙動を示すのかを継続的に分析します。

そして、現在観測されている状態を、過去の同様の条件下で通常期待される状態と比較します。

技術的には、KyoSensaは単純な固定閾値だけに依存するシステムではありません。センサーの時系列データ、環境条件、過去の応答パターンなど、複数のデータを組み合わせて評価することで、一つの数値だけを見るのではなく、その数値が生じた背景まで含めて判断します。

これは重要な違いです。

異常に見える数値が、必ずしも問題を意味するとは限りません。

例えば、数日間にわたる激しい雨の後に水分量が上昇したとしても、それが過去の同様の降雨時とほぼ同じ反応であれば、その建物にとっては通常の挙動である可能性があります。

一方で、乾燥した天候が続いているにもかかわらず、わずかな水分上昇が発生した場合、その変化のほうが重要な意味を持つことがあります。

インサイトエンジンが見ているのは、単なる数値の高低ではありません。

降雨、周辺環境、過去の反応、乾燥までに要する時間、各センサー間の関係性などを総合的に捉えます。

こうした学習を積み重ねることで、KyoSensaは通常の変動と、確認すべき変化とを、より精度高く区別できるようになります。

システムに教えていないことを、建物のデータが示した

京都で実施しているパイロット運用では、非常に興味深い事例がありました。

モニタリング対象の中に「Sensor 8」と呼ばれるセンサーがあります。

Sensor 8は、他のセンサーが設置されている建物から非常に近い位置にありました。しかし、一つ重要な違いがありました。

Sensor 8は、実際には隣接する別の独立した建物に設置されていたのです。

そして、その情報は当時、分析システムには与えていませんでした。

人間から見れば、この違いは明確です。建物同士は非常に近く、ほぼ同じ天候の影響を受けますが、構造的には別の建物です。当然、それぞれが異なる環境特性を持っています。

しかし、インサイトエンジンはその事実を知りませんでした。

それにもかかわらず、データ分析を進める中で、システムはSensor 8が他のセンサーとは異なる挙動を示していることを認識しました。

単に一度だけ数値が高かった、あるいは低かったという話ではありません。

時間の経過に伴う変化、他のセンサーとの関係、上昇や下降の仕方、回復の傾向などを比較した結果、Sensor 8は周囲のセンサー群とは異なる動きをしていると判断されたのです。

つまり、データそのものが物理的な構造の違いを示していました。

これは、インサイトエンジンの考え方を象徴する出来事でした。

十分な履歴データが蓄積されれば、建物内のパターンから、図面や設定情報、単一のセンサー値だけでは見えにくい関係性が浮かび上がる可能性があります。

システムは、Sensor 8が別棟に設置されているとは教えられていませんでした。

それでも、その挙動が他とは異なることを認識しました。

建物所有者や管理者にとって、ここが単なる「モニタリング」と「インテリジェンス」の大きな違いです。

センサー単体ではなく、建物全体の関係を見る

建物は、複数の要素が相互に影響し合うシステムです。

ある場所から侵入した水が、時間をかけて別の場所に影響を与えることがあります。屋根の問題が、当初は無関係に見える位置の水分変化として現れることもあります。

換気、温度、湿度は複数の部屋や構造部分の乾燥速度に影響し、同じ降雨を受けた場所でも、内部の構造や材料によって反応が異なる場合があります。

そのため、KyoSensaは各センサーを独立した計測器としてだけ扱いません。

インサイトエンジンは、建物内のセンサーやゾーン同士の関係も分析します。

どのセンサーが通常一緒に動くのか。

どの場所が常に異なる挙動をするのか。

これまで安定していた関係性が変化していないか。

こうした情報も、時間とともにBuilding Fingerprintの一部となっていきます。

分析の観点では、これによってKyoSensaは単一センサーの警告から一歩進み、複数の要素を同時に捉える異常検知へと発展することができます。

あるセンサーの値だけを見れば問題がないように思えても、近隣センサーとの関係、直近の天候、過去の挙動と比較したときに、初めて意味のある変化として現れることがあります。

建物管理者が毎朝、数十台、将来的には数百台にも及ぶセンサーのグラフを一つずつ確認する必要はありません。

KyoSensaの役割は、その比較と分析を継続的に行い、本当に意味のある変化を人に伝えることです。

つまり、問いは次のように変わります。

「すべてのセンサーは今、何を示しているのか」

ではなく、

「通常とは異なる、対応すべき変化が起きているか」

という問いです。

水分量だけでなく、「元に戻るまでの時間」も重要

建物の状態を把握するうえで重要なのは、どの程度水分が増えたかだけではありません。

その後、どう回復したかも重要です。

建物は、雨や湿度の変化によって一時的に水分量が増えることがあります。重要なのは、その場所がどの程度の時間で通常の状態に戻るのかという点です。

例えば、ある場所が過去には降雨後に一定期間で乾燥していたにもかかわらず、徐々に乾燥までの時間が長くなっているとします。

たとえピークの水分値が従来の警告閾値を超えていなくても、この変化には意味があるかもしれません。

KyoSensaのインサイトエンジンは、こうした挙動も分析対象とします。

乾燥や回復のカーブを評価し、現在の反応を過去の事象と比較することで、建物がこれまでとは異なる反応を示し始めていないかを確認します。

実際には、その建物自身の履歴データと環境条件から予想される挙動と、実際に観測された挙動とを比較しています。

予想される動きとの差が大きくなればなるほど、調査すべき理由も強くなります。

これにより、目視で劣化が確認できるようになる前に、調査のきっかけを得られる可能性があります。

町家をはじめとする歴史的建築物だけでなく、商業施設、倉庫、データセンターなど、水の侵入が大きな損害につながり得る建物にとって、こうした早期把握には大きな価値があります。

問題を検知するだけでなく、その先を予測する

インサイトエンジンが目指しているのは、異常が発生した後に検知することだけではありません。

Building Fingerprintがより豊富になれば、KyoSensaは「次に何が起こるのが通常なのか」を、より精密にモデル化できるようになります。

直近の降雨量、季節、気象条件、その場所の過去の挙動などを基に、通常であればどのような反応を示すはずかを推定し、その予測と実際の状態を比較します。

これが、予測型の建物インテリジェンスへとつながる基盤になります。

単に「水分量が上昇しました」と知らせるのではなく、将来的には次のような問いに答えられることを目指しています。

この上昇は、過去の同様の降雨時と一致しているか。

この場所は、そろそろ乾燥し始めているべきではないか。

通常より回復が遅れていないか。

これまで一定だった二つのエリアの関係が変化していないか。

現在の推移から見て、水分量がさらに上昇する可能性はあるか。

現在のパターンは、過去に点検が必要となった事象と似ていないか。

履歴データの量と質が高まるにつれて、こうした「予測された状態」と「実際の状態」の比較は、さらに高度になっていきます。

目標は、明らかな故障や損傷が発生する前の弱い兆候や、徐々に進行する変化を捉えることです。

ただし、建築環境における予測には慎重さも必要です。

建物は複雑であり、あらゆる問題を確実に予測できると主張することは適切ではありません。

KyoSensaが目指しているのは、建物の所有者や管理者が判断するための情報を、より早く、より的確に提供することです。

予測が100％でなくても、価値がなくなるわけではありません。

問題が人間の目で確認できるようになる数日、あるいは数週間前に「いつもと違う」と知らせることができれば、管理者が得られるものは非常に大きいからです。

それは「時間」です。

大量のデータを、実際の判断につなげる

現代のセンサーネットワークは、膨大な量のデータを生み出します。

そして、導入規模が大きくなるほど、データ量そのものが新たな課題になります。

数十棟、数百棟の建物を管理する担当者が、毎日すべてのセンサー、すべてのグラフ、すべての環境変化を確認することは現実的ではありません。

そもそも、その必要がない仕組みにするべきです。

KyoSensaは、センサーから得られる生のデータと、人が行う判断との間に分析レイヤーを置くことを目指しています。

プラットフォームは建物の状態を継続的に評価し、重要な変化があった場合には、その背景や理由とともに提示します。

Building Fingerprintが更新されたこと、降雨に対する反応を分析したこと、乾燥や回復の状態を確認したこと、通常とは異なる挙動が検出されたことなどを、管理者が把握できるようにします。

複数の建物を管理する企業にとっては、優先順位付けにも役立ちます。

すべての警告を同じ重要度で扱うのではなく、各建物の通常状態から大きく外れている建物やゾーン、センサー関係に重点を置いて確認できます。

もちろん、最終的な点検や修繕の判断には、人の専門知識が重要です。

インサイトエンジンの役割は、人間に代わってすべてを決めることではありません。

判断を行う人が、より良い情報を、より早い段階で得られるようにすることです。

建物自身が、その建物の基準になる

このアプローチと従来型の閾値監視との最大の違いの一つは、建物そのものが徐々に自分自身の基準になっていくことです。

ある測定値が一般的な基準値の範囲外かどうかだけではなく、

「この建物は、以前の自分自身とは異なる挙動をしていないか」

と考えることができます。

この違いは非常に重要です。

ある建物では異常に見える数値が、別の建物では完全に正常かもしれません。

反対に、一般的な閾値では問題に見えないわずかな変化が、長期間ほぼ同じ挙動を続けてきた建物にとっては、非常に大きな変化である可能性があります。

建物固有の特徴を学習することで、KyoSensaはリスクをより細かく理解できるようになります。

これは、材料や工法が一棟ごとに大きく異なる古い建物や歴史的建築物では特に重要ですが、その考え方は現代の商業施設、倉庫、フラットルーフ、重要施設、大規模な不動産ポートフォリオにも同様に適用できます。

モニタリングを続けるほど、建物には履歴が蓄積されます。

その履歴が、知識へと変わっていきます。

問題が見えるようになる前に、その兆候を捉える

建物インテリジェンスの経済的な価値は、最終的には非常にシンプルです。

問題は、小さいうちに対処するほうが、多くの場合、安く済みます。

軽微な排水不良、初期段階の漏水、異常な水分状態であれば、早期に発見することで比較的小さな対応で済む可能性があります。

しかし、気づかずに放置すれば、内装材の損傷、カビ、木材の劣化、設備停止、大規模な補修工事へと発展することがあります。

定期点検は今後も重要です。

ただし、点検はその瞬間の状態を確認するものです。

点検時にはまったく問題がなかった建物でも、その数時間後に水の侵入が始まる可能性があります。

継続的なモニタリングは、この関係を変えます。

そしてインサイトエンジンは、さらに一歩進み、継続的に流れてくる膨大な情報の中から「どの変化に本当に意味があるのか」を見極めようとします。

Sensor 8の事例は、その方向性を示す初期の例となりました。

そのセンサーが別の独立した建物に設置されているという情報を与えていなかったにもかかわらず、システムは周囲とは異なる挙動を認識しました。

KyoSensaが目指しているのは、まさにその先です。

センサーは測定する。

KyoSensaは学習する。

そして理解が深まるにつれて、単に「何が起きたのか」を伝えるだけでなく、「何が変わり始めているのか」、さらには「次に何が起こる可能性があるのか」を建物所有者や管理者が判断できるよう支援していきます。

それは、問題が発生してから対応する保守から、より情報に基づいた予防型の建物管理への移行を意味します。

問題をより早く発見すること。

点検の優先順位をより適切に決めること。

そして、その建物が実際にどのように振る舞うのかを継続的に理解しながら判断すること。

それこそが、KyoSensaのインサイトエンジンが目指しているものです。