Η παρούσα εργασία εξετάζει την εφαρμογή της Τεχνητής Νοημοσύνης (Artificial Intelligence – AI) και των τεχνικών μηχανικής μάθησης στη Διαχείριση Κτιριακών Εγκαταστάσεων (Facility Management), με στόχο τη βελτιστοποίηση της σχέσης κόστους–ποιότητας στις πρακτικές συντήρησης. Στο σύγχρονο περιβάλλον λειτουργίας κτιριακών υποδομών, η ποιότητα υπηρεσιών συνδέεται άμεσα με τη διαθεσιμότητα, την αξιοπιστία και τη σταθερότητα λειτουργίας των τεχνικών συστημάτων, ενώ το κόστος δεν περιορίζεται στις δαπάνες συντήρησης, αλλά περιλαμβάνει και το κόστος μη διαθεσιμότητας και απώλειας παραγωγικότητας.

Η εργασία συνδυάζει βιβλιογραφική ανασκόπηση, πρωτογενή έρευνα μέσω ερωτηματολογίου σε επαγγελματίες του κλάδου και μελέτη περίπτωσης πραγματικού τεχνικού συστήματος. Στο πλαίσιο της μελέτης περίπτωσης εφαρμόζονται μέθοδοι μηχανικής μάθησης, και συγκεκριμένα ανίχνευση ανωμαλιών (Isolation Forest) και λογιστική παλινδρόμηση, με στόχο την έγκαιρη αναγνώριση επιδείνωσης λειτουργίας και την ποσοτικοποίηση της πιθανότητας αστοχίας. Τα αποτελέσματα αναδεικνύουν ότι η αξιοποίηση λειτουργικών δεδομένων μπορεί να υποστηρίξει προγνωστική συντήρηση, μειώνοντας τον μη προγραμματισμένο χρόνο εκτός λειτουργίας και ενισχύοντας την ποιότητα παρεχόμενων υπηρεσιών.

Η έρευνα καταλήγει ότι η ενσωμάτωση τεχνητής νοημοσύνης και ψηφιακών εργαλείων, σε προοπτική ανάπτυξης ψηφιακού διδύμου (Digital Twin), αποτελεί στρατηγικό βήμα για τον μετασχηματισμό του Facility Management σε ένα πλαίσιο διαχείρισης βασισμένο σε δεδομένα και τεκμηριωμένη λήψη αποφάσεων.

This paper examines the application of Artificial Intelligence (AI) and machine learning techniques in Facility Management, with the aim of optimizing the cost-quality relationship in Maintenance practices. In the modern environment of building infrastructure operations, service quality is directly linked to the availability, reliability and stability of technical systems, while costs are not limited to Maintenance costs, but also include the cost of unavailability and loss of productivity.

The paper combines a literature review, primary research through a questionnaire among professionals in the field and a case study of a real technical system. In the context of the case study, machine learning methods are applied, specifically anomaly detection (Isolation Forest) and logistic regression, with the aim of early recognition of operational deterioration and quantification of the probability of failure. The results show that the use of operational data can support Predictive Maintenance, reducing unplanned downtime and enhancing the quality of services provided.

The research concludes that the integration of artificial intelligence and digital tools, in the perspective of developing a digital twin, is a strategic step for the transformation of Facility Management into a data-based management framework and evidence-based decision-making.