Open Access

Stefan Raminger

• Smart Services sind Teil des globalen Megatrends der digitalen Transformation. Seit circa 2015 ermöglichen Smart Services, dass Unternehmen Dienstleistungen erbringen, bereits bevor Kund/innen den Bedarf für diese erkennen. Dies führt zu einer Effizienz- und Effektivitätssteigerung für alle Beteiligten, wodurch wiederum die Zufriedenheit aller gesteigert wird. Die Ursprünge von Smart Homes reichen hingen bis in die 1960er Jahre zurück. Bereits damals wurden reaktive und proaktive Steuerungsmöglichkeiten für das „Wired Home“ aufgezeigt. Der hohe Energie- und Ressourcenbedarf wecken bei immer mehr Menschen das Bedürfnis, die Effektivität und die Effizienz ihres Lebensraumes zu steigern. Trotz der großen Weiterentwicklungen im Bereich des Internet of Things und dem Machine Learning, nennen Benutzer/innen ihren Lebensraum bereits smart, wenn sie diesen aus der Ferne steuern können. Diese Arbeit überträgt die Implikationen des Begriffs „smart“ aus der Grundfunktionalität eines Smart Services auf Smart Homes. Damit soll die Frage beantwortet werden, ob mit Machine Learning eine präemptive Steuerung eines Smart Homes möglich ist. Hierzu werden unterschiedliche Algorithmen verwendet, um mit einem Datensatz aus einer Laborumgebung Machine Learning Modelle zu erstellen. Diese werden auf Basis mehrerer Metriken miteinander verglichen, um festzustellen, ob es möglich ist, damit eine präemptive Steuerung für ein Smart Home umzusetzen.
• Smart services are part of the global megatrend of digital transformation. Since around 2015, smart services have enabled companies to initiate the execution of services even before customers recognise the need for them. This leads to an increase in efficiency and effectiveness for all parties involved, which in turn increases everyone's satisfaction. The origins of smart homes date back all the way to the 1960s. Even then, reactive and proactive control options for the "wired home" were identified. The high demand for energy and resources is making more and more people want to increase the effectiveness and efficiency of their living space. Despite the great developments in the field of the Internet of Things and machine learning, users already call their living space smart when they can control it remotely. This work transfers the implications of the term "smart" from the basic functionality of a smart service to smart homes. The aim is to answer the question of whether pre-emptive control of a smart home is possible with machine learning. For this purpose, different algorithms are used to create machine learning models with a data set from a laboratory environment. These are compared with each other based on several metrics to determine whether it is possible to implement pre-emptive control for a smart home.