ความแตกต่างระหว่าง Smart Home รุ่นแรกและ SmartInterior ที่แท้จริงคือ รุ่นแรกทำตามกฎที่ตั้งไว้ (Rule-Based) และต้องอัพเดทด้วยมือเมื่อพฤติกรรมเปลี่ยน SmartInterior ที่มี Behavior-Adaptive AI เรียนรู้พฤติกรรมจริงและปรับตัวเองโดยอัตโนมัติ
Rule-Based vs Behavior-Adaptive: ความแตกต่างที่สำคัญ
Rule-Based System: - ตั้งกฎ: ปิดแอร์เมื่อ 22:00 ทุกวัน - ถ้าพฤติกรรมเปลี่ยน (ทำงาน Shift กลางคืน): ต้องแก้กฎด้วยมือ - ถ้าไม่แก้: ระบบทำงานผิดทุกคืนจนแก้ Behavior-Adaptive System: - สังเกต: สัปดาห์แรกที่เจ้าของบ้านทำงาน Shift กลางคืน ระบบสังเกตว่าแอร์ถูกเปิดใหม่ตอนเที่ยงคืนทุกวัน - เรียนรู้: หลัง 5–7 วัน ระบบสร้าง Pattern ใหม่ Weeknight Pattern B (แอร์เปิดถึง 02:00) - ปรับตัว: เสนอ Weeknight Pattern B ให้ผู้ใช้ Confirm หรือปรับ Schedule อัตโนมัติหลัง Confidence ถึง 85%
3 ระดับของ Adaptive Learning
ระดับ 1: Preference Learning (สัปดาห์ที่ 1–4) ระบบเรียนรู้ค่า Setpoint ที่แต่ละคนชอบจริง ไม่ใช่ค่าที่ตั้งไว้ตอนติดตั้ง: - สังเกต: ผู้ใช้ปรับอุณหภูมิจาก 24°C เป็น 25°C ทุกครั้งก่อนนอน → ปรับ Bedtime Setpoint เป็น 25°C อัตโนมัติ - สังเกต: ผู้ใช้เปิดไฟครัวสว่าง 100% ตอนทำอาหาร แต่หรี่เหลือ 30% ตอนกินข้าว → สร้าง Cooking Mode และ Dining Mode แยกกัน ระดับ 2: Schedule Learning (เดือนที่ 1–3) ระบบเรียนรู้ความแตกต่างระหว่างวัน: - Weekday Pattern vs Weekend Pattern - Pattern วันหยุดพิเศษ (เช่น วันเดียวที่ออกกำลังกายตอนเช้า) - Seasonal Variation (ช่วงหน้าร้อนใช้แอร์เร็วขึ้น 1 ชั่วโมง) ระดับ 3: Contextual Learning (เดือนที่ 3–6) ระบบเรียนรู้บริบทที่ซับซ้อน: - ถ้า AQI สูงเกิน 150 ผู้ใช้มักอยู่บ้านทั้งวัน → ปรับ HVAC สำหรับ Full-Day Occupancy - ถ้าฝนตก ผู้ใช้มักเปิดหน้าต่างแม้แอร์เปิดอยู่ → ระบบเรียนรู้ว่า Rain + อุณหภูมิต่ำกว่า 28°C = Natural Ventilation Mode - ถ้ามีแขกมา ระบบตรวจพบ Occupancy สูงกว่าปกติ → ปรับแอร์ให้แรงขึ้นและแสงสว่างขึ้น
Personalization ต่อคน: Multi-Profile Learning
ในบ้านที่มีหลายคน ระบบสร้าง Behavioral Profile แยกต่างหากสำหรับแต่ละคน: - ระบุตัวตน: ผ่าน Smartphone Presence (Bluetooth/WiFi), Biometric (ถ้ามี Smart Lock), หรือ Behavior Pattern เอง - Profile แยก: ผู้ชายชอบ 24°C ผู้หญิงชอบ 26°C → ห้องรับแขกที่ใช้ร่วมกัน Negotiate Setpoint ที่ 25°C - เมื่อแต่ละคนอยู่คนเดียวในห้อง → ใช้ Personal Preference ของคนนั้น
ขอบเขตของ Adaptive Learning: เมื่อระบบไม่ควรปรับตัวเอง
Behavior-Adaptive System ที่ดีต้องรู้ว่าอะไรไม่ควร Auto-Adjust: - Safety-Critical Rules: ไฟฉุกเฉิน Smoke Detector Alert ไม่ถูก Learn Away - Energy Budget Hard Limit: ถ้าตั้ง Hard Cap ค่าไฟไว้ที่ THB 3,000/เดือน ระบบไม่ Adjust เกินนี้แม้จะ Learn ว่าผู้ใช้ชอบเย็นกว่า - Security Rules: กฎความปลอดภัยไม่ถูก Adapt โดยอัตโนมัติ ระบบแจ้ง LINE OA เมื่อพบ Pattern ใหม่ที่น่าสนใจ ให้ผู้ใช้ Confirm หรือ Dismiss ก่อน Auto-Apply