仅在美国，建筑就占该国总碳排放量的近40%，其中大部分来自日常照明、供暖、制冷和设备运行——使其成为该国最大的单一污染因素之一。然而，改善这些建筑的能源系统是一项复杂且动态的追求。这是一个固有的混沌领域，混合了控制系统、互操作性、数据标准和设备配置，并且由于接近美国65%的建筑仍然存在在冷战结束之前，建筑设备（例如空调系统）的能效标准几乎不存在。
"Carbon Lighthouse 的使命只有一个：阻止气候变化，" Carbon Lighthouse 总裁 Brenden Millstein 表示。"过去十年间，我们一直朝着这一使命稳步迈进，通过开发商业模式以及我们专有的 AI 平台 CLUES®，助力现有的商业房地产建筑——这些建筑是该国二氧化碳排放的主要来源之一2排放——减少其能源使用和整体碳排放。”
通过利用人工智能和机器学习来理解使用模式、季节性温度趋势以及其他通常影响建筑供暖和制冷决策的因素，Carbon Lighthouse 能够帮助商业地产客户在拥有现有设备的典型建筑中平均节省 10%–30% 的能源费用。
“无论对错，资本主义都是世界的经济引擎，”米尔斯坦表示。“因此，要在可持续发展领域真正产生影响，就必须提供与之配套的财务论证，这对企业至关重要，并且需要在投资者关注的时间内实现。我们正努力在这两者之间搭建桥梁。”
Carbon Lighthouse 利用先进的传感器、人工智能和机器学习分析，以及来自建筑和现有系统的数据，对建筑物中能耗最高的供暖、通风、空调（HVAC）和照明系统进行分析和优化，并对其进行监控，以最大化能效提升机会。
"由于我们多年来在扩展模型、能力和数据覆盖范围方面所做的工作，我们的减排量已从十年前的相当于几辆汽车的排放量，增加到截至2020年底相当于13座发电厂的排放量，" Millstein表示。
为了让建筑更高效，Carbon Lighthouse 需要理解在不同占用情况和天气变量下各个空间的使用方式，包括工作日与周末、典型工作日与节假日，或冬季早上6点与夏季下午4点等差异。该公司需要了解建筑系统如何协同响应这些动态条件。答案就藏在数据中。
他们通过两种方式来解决这个问题：直接接入建筑管理系统，并构建建筑的数据流以测量光照水平、温度、相对湿度和气流等指标。随后，他们可以提取这些海量数据流，并将其与CLUES平台中已有的100万平方英尺实际建筑数据相结合，对特定建筑的能源消耗进行建模，从而找到优化能源使用的区域。CLUES由AWS提供支持，采用Carbon Lighthouse开发的AI和机器学习技术与模型，能够在条件变化和新数据可用时以低成本快速重新训练和部署。CLUES持续从其所服务的每个设施中吸收不断丰富的建筑数据，并从中不断学习。然后，它将这些学习成果传递给公司的工程师及建筑现场的物业团队，使他们能够利用这些信息进一步优化算法，减少未来的碳排放。
"我们利用机器学习的力量来分析数十亿个数据点，旨在发现照明和HVAC系统中的隐藏能效机会，并最大化碳减排量。"——米尔斯坦
“我们采用AWS的计算和数据存储解决方案，构建了一个能够随需求持续扩展的基础设施。”Millstein表示。“如今，Carbon Lighthouse每月为每栋建筑收集6.9亿个新数据点。随着旗下管理建筑数量达数百栋且仍在增长，若无AWS的数据存储解决方案，我们将根本无法应对如此庞大的数据量。”
Carbon Lighthouse 平台使用多种 AWS 技术——包括 Amazon Elastic Compute Cloud (EC2)、Amazon Simple Storage Service (S3)、Amazon Relational Database Service (RDS) 和 Amazon DynamoDB——这些技术提供了构建和部署人工智能与机器学习模型所需的基础组件，用于摄入和存储海量数据，同时消除了管理数据库以及大规模应对数据和基础设施需求的运营挑战。
他们的机器学习和人工智能算法学会了从建筑层面到系统层面，对建筑随时间推移的能源使用情况进行建模。Carbon Lighthouse 工程师可以通过分析不同场景，测试和调整模型参数，以了解建筑如何以不同的方式运行并提高效率。
该技术不仅能揭示大幅减少碳排放的机会，还能确保降低运营成本。
根据米尔斯坦的说法，Carbon Lighthouse 的“商业模式和成功建立在对其建筑运营系统的深入洞察之上，以明确展示我们解决方案的财务和环境效益。迄今为止，我们已成功消除26万吨二氧化碳2。”