Esta investigación tiene como objetivo demostrar un sistema de monitoreo y pronóstico de la calidad del aire interior (IAQ) basado en un algoritmo de aprendizaje automático (ML) para un caso de uso en el sector público. Tal sistema tiene el potencial de automatizar los sistemas de calefacción/ventilación existentes, reduciendo así el consumo de energía. Uno de los edificios del campus de la Universidad Técnica de Riga, equipado con alrededor de 128 sensores de IAQ, se utiliza como banco de pruebas para crear una sombra digital que incluye una comparación de cinco herramientas de predicción de datos basadas en ML. Comparamos la pérdida de predicción de datos de IAQ utilizando las métricas de error de Raíz del Error Cuadrático Medio (RMSE) y Error Absoluto Medio (MAE) basadas en datos reales de sensores. Las Unidades Recurrentes Gated (GRU) y las Redes Kolmogorov-Arnold (KAN) demuestran ser los modelos más precisos en cuanto al error de predicción. Además, GRU demostró ser el modelo más eficiente en cuanto al tiempo de cálculo requerido.