L’intelligence artificielle (IA) n’est pas si récente qu’on peut le croire. Les premiers modèles remontent aux années 70, mais ces concepts sont restés théoriques jusqu’à ce que nous soyons réellement capables d’apprendre aux ordinateurs à penser par eux-mêmes. Aujourd’hui, l’intelligence artificielle est partout. Elle permet aux ordinateurs et aux appareils connectés au cloud de reproduire des comportements humains tels que le raisonnement, la planification et la créativité. L’intelligence artificielle dépend principalement de la quantité de données qui lui sont fournies. C’est là que le big data joue un rôle déterminant. Avec l’augmentation de la collecte et de l’analyse des données numériques, le big data et l’IA apparaissent désormais comme de riches domaines d’opportunités pour les professionnels de l’électrification.
Le big data et l’IA pour une gestion plus intelligente de l’énergie
Le big data est une tendance majeure dans le secteur de l’énergie. Le réseau électrique devient un réseau intelligent grâce aux données collectées à partir de sources diverses, telles que les compteurs intelligents, les capteurs, les jumeaux numériques. Une fois stockées, ces données constituent une ressource inestimable pour l’industrie afin de prendre de meilleures décisions en matière de production et de consommation d’énergie.
L’électricité a été déployée à grande échelle à la fin du XIXe siècle, ce qui correspond à la première vague d’électrification, de 1880 à 1920. Cette période a vu l’adoption généralisée de l’énergie électrique dans l’industrie et le développement du premier réseau électrique. Est arrivée ensuite la deuxième vague d’électrification, entre 1920 et 1950, avec l’expansion du réseau électrique dans les foyers et le développement de nouveaux appareils électriques tels que les réfrigérateurs, les machines à laver… Au cours de la troisième vague d’électrification, de 1980 à aujourd’hui, nous avons assisté à la croissance de la révolution numérique et au développement de nouvelles technologies telles que les ordinateurs, Internet et les téléphones portables.
Aujourd’hui, la quatrième vague d’électrification, appelée Électricité 4.0, se caractérise par l’intégration de technologies numériques telles que l’intelligence artificielle (IA), l’Internet des objets (IoT) et l’analyse avancée des données dans l’infrastructure électrique.
L’objectif de l’électricité 4.0 est de créer un système électrique plus intelligent, plus efficace et plus durable, capable de répondre à l’évolution rapide de la demande (+20% d’ici 2030, +40% d’ici 2040).
L’électricité 4.0 devrait permettre d’optimiser l’utilisation des actifs existants, d’intégrer les sources d’énergie renouvelables dans le réseau, d’accroître l’efficacité énergétique, de réduire les émissions de gaz à effet de serre, d’améliorer la stabilité du réseau, de réduire les coûts pour les clients et de fournir des services énergétiques plus fiables et plus flexibles aux clients.
De plus, l’IA générative et les modèles adjacents changent la donne. En effet, la technologie de support atteint un nouveau niveau, le temps de développement des applications est réduit et des capacités puissantes sont mises à la portée des utilisateurs non techniques.
Tout récemment, nous avons vu le buzz autour de ChatGPT et ce qu’il peut accomplir. Par exemple, si nous posons la question “quel est l’impact du big data et de l’IA sur l’électrification”, nous devons admettre que la réponse de ChatGPT n’est peut-être pas parfaite mais elle est tout de même très impressionnante.
Ces technologies auront certainement un impact sur le monde de l’électrification. Mais l’IA dépend principalement de la quantité et de la qualité des données qui seront utilisées pour apprendre. Le big data fournit les capacités de stockage et de traitement nécessaires pour éduquer l’IA en la nourrissant d’un grand nombre d’informations.
Le Machine Learning et l’IA constituent le combo gagnant pour exploiter efficacement le big data. Il s’agit d’identifier des modèles via le data mining et plus généralement la data science.
Big data: le cloud a gagné
A l’ère du big data, la fameuse vague 2 de ” move to cloud ” annoncée par les fournisseurs est en cours et s’accélère. Pour rappel, la première phase de migration vers le cloud est la phase de découverte qui permet d’analyser les forces et faiblesses d’une infrastructure et de déterminer les besoins futurs.
Le nombre de détracteurs diminue chaque jour, les questions de confidentialité et de souveraineté sont à la fois résolues par les engagements stratégiques des “clouders” et balayées par la facilité d’utilisation… Tous les secteurs – banques, télécoms, assurances, etc. – adoptent rapidement des solutions de big data hébergées dans le cloud.
Les premiers changements de paradigme apparaissent dans le monde de l’électrification, sous l’impulsion notamment d’opérateurs tels que Total Energie ou Schneider. On peut également noter la prédominance des services estimés Azure de Microsoft Vs Aws d’Amazon dans le domaine du cloud public lié au big data.
Explorer les défis de l’IA générative et du Big Data en 2023
L’IA générative promet de faire de 2023 l’une des années les plus passionnantes pour l’IA et, par extension, pour le big data !
Il ne faut pas oublier que les prouesses de ChatGPT sont basées sur le net enregistré en 2021, mais, comme pour toute nouvelle technologie, le pragmatisme et la mesure sont de mises, car la technologie présente de nombreux défis :
- Ethique : quelle souveraineté pour les données ? Quelle protection pour les données personnelles ? Quel engagement de transparence et de lisibilité par les acteurs ?
- Environnement : L’IA et le big data constituent un paradoxe dans la mesure où ils sont à la fois une solution pour optimiser la consommation d’énergie et la mobilisation des ressources, mais aussi une cause de cette augmentation ;
- Cybersécurité : L’IA et le big data dans le domaine de l’énergie reposent en grande partie sur des instruments de mesure, donc sur l’IoT, offrant une surface de sécurité toujours plus importante ;
- Modèle économique : si la valeur de l’IA dans le domaine de l’énergie n’est plus à démontrer, le modèle économique associé aux services est très complexe. Par exemple, si l’on prend le segment résidentiel, l’assistant virtuel Chat GPT a fait le buzz tout comme Amazon avec l’annonce d’un licenciement massif, notamment de la division Alexa (l’assistant virtuel d’Amazon), dans la même semaine ;
- Talents : le développement de services numériques nécessite l’intégration d’excellentes compétences techniques, mais pas seulement. C’est l’ensemble du modèle opérationnel qui est à reconstruire. La dimension humaine est l’un des plus grands défis portés par l’IA et le big data : attractivité, sens du travail, conditions, etc.
L’analyse du big data combinée à l’intelligence artificielle comporte également divers risques. Parmi les principales préoccupations, citons les conséquences involontaires de la prise de décision automatisée, le risque accru de cyberattaques en raison de la dépendance à la technologie, les prédictions inexactes conduisant à de mauvaises décisions, la confiance excessive dans les algorithmes au lieu du jugement humain, le manque de transparence dans le processus de développement, etc….
Big data et IA pour Nexans
L’IA dans le domaine de l’énergie est le plus souvent portée par un système phygital, c’est-à-dire logiciel + matériel. A cet effet, une part importante de notre travail en termes d’IA et de big data concerne la mise en place d’un apprentissage basé sur les réseaux neuronaux. Le rôle de ces derniers est de traduire en chiffres des images ou des textes issus d’instruments de mesure (thermomètres, drones, etc.). L’objectif de ces approches est de comprendre les récurrences, de les dater, de les prédire et de les localiser. Nous sommes dans l’IA pour le “grid sensing”.
L’une des activités importantes dans le domaine de l’électrification est la surveillance des réseaux pour tous les segments : production, transmission, distribution et utilisation de l’électricité dans les bâtiments et les industries. Cela nécessite le développement et la mise en œuvre de capteurs qui mesurent l’activité électrique tout au long de la chaîne de valeur.
C’est déjà le cas dans les économies développées à la maison ou dans l’industrie avec les Smartmeters. Les lignes de transmission à haute tension font également l’objet d’un contrôle systématique de la température et de la tension. Les réseaux de distribution d’électricité à moyenne tension et les réseaux de raccordement des énergies renouvelables distribuées sont moins fréquemment surveillés. Il est donc essentiel d’obtenir des données sur l’ensemble de la chaîne de déploiement de l’électricité.
Une deuxième activité importante est l’analyse des données afin d’optimiser les produits ou les systèmes, ce qui est au cœur de l’intelligence artificielle et du big data.
En termes techniques, nous mobilisons les technologies développées essentiellement pour le domaine du traitement du langage naturel avec les réseaux neuronaux récurrents et plus précisément les réseaux neuronaux convolutifs. En d’autres termes, les infrastructures technologiques de ChatGPT & DALL-E.
Une transition énergétique sur le long terme
Le big data est un sujet tendance qui a d’énormes implications pour le secteur de l’énergie. C’est un outil puissant qui peut être utilisé pour améliorer l’efficacité des systèmes, de la production et de la consommation d’énergie. Il peut également être utilisé pour améliorer les réseaux électriques et les technologies intelligentes.
Grâce au big data, il est possible d’explorer différents scénarios et objectifs liés à la transition énergétique. Cette technologie permet notamment d’analyser comment les différents systèmes et sources d’approvisionnement sont interconnectés et comment ils pourraient être optimisés sur le long terme. Ainsi, elle offre une perspective inestimable pour atteindre une certaine autonomie dans un objectif de transition énergétique à long terme.
Les 3S (smart, small & selectivity) sont les défis des années à venir. Abordés de manière désordonnée aujourd’hui, ils deviendront demain les véritables défis des applications de l’IA :
- Smart data : Comprendre et surveiller les écosystèmes locaux.
- Small data : Limiter l’utilisation du big data, très énergivore.
- Selectivity : Optimiser les ressources nécessaires.