Le machine learning n’est pas la traduction à la Frankenstein, en tout cas pour l’instant, d’une entité informatique qui serait capable de décider et d’enclencher des actions sans l’aval des humains. Néanmoins, il s’agit d’un outil désormais indispensable dans la plupart des domaines de votre vie. De vos outils numériques habituels et services que vous utilisez, à l’entreprise qui vous emploie. Au cœur du Big Data, des smart buildings / smart cities, le machine learning a une place prépondérante : il apprend de chaque donnée utile dans tous les domaines pour résoudre des problèmes et anticiper les actions à mener. Si, dans le domaine du management de l’énergie, cette technologie n’est pas encore répandue partout, elle pourrait devenir indispensable.

Définition du machine learning

Pour faire simple, le machine learning (ou apprentissage automatique) est une forme d’intelligence artificielle qui apprend au fur et à mesure des données qu’elle engrange. Elle peut ensuite, grâce à ses calculs, résoudre des problèmes complexes ou prévoir des actions à mener, qu’elle effectue elle-même. Cette technologie, bien que chaque jour plus puissante, n’est pas nouvelle. Elle a pris son essor dans les années 50, et c’est à elle que l’on doit, notamment, la première bataille remportée par un ordinateur contre un éminent joueur d’échecs en 1997 (« Deep Blue » d’IBM contre Garry Kasparov, lors de leur seconde confrontation).

Concrètement aujourd’hui, cela se traduit tous les jours via l’assistant intelligent de votre téléphone qui apprend de votre activité, de vos données, pour vous proposer d’autres actions ou les faire à votre place. De même sur les sites Internet que vous utilisez tous les jours, qui tirent partie de vos données à travers des algorithmes, pour vous proposer des produits et des services qui correspondent à vos besoins ou à vos goûts. Cela peut bien sûr aller beaucoup plus loin. Ainsi, dans le domaine industriel, le machine learning vise notamment à prévoir la consommation (d’énergie, de consommables, etc.), les réapprovisionnements et ce, à grande échelle.

Le machine learning pour l’énergie des bâtiments tertiaires

Le chauffage, la ventilation et la climatisation représentent, en particulier pour les entreprises du secteur tertiaire, la plus grosse dépense énergétique. Aujourd’hui, avec les compteurs intelligents et les smart grids (réseaux intelligents), il est néanmoins possible d’avoir une information précise de sa consommation énergétique et de pouvoir la réduire. Mais cela ne suffit pas toujours à faire des économies d’énergie à long terme, surtout dans des bâtiments professionnels.

C’est là qu’interviennent le machine learning et l’intelligence artificielle : grâce aux capteurs connectés et à l’IoT qui contrôlent non seulement la consommation mais aussi un nombre considérable de données d’une pièce (activités, passages, besoins des collaborateurs, etc.) et qui les traitent, il est désormais possible de modifier automatiquement la température, la luminosité, la ventilation, selon la présence. Par conséquent, le machine learning est un outil efficace qui prend seul les bonnes décisions, sur la base de ses propres statistiques, pour faire des économies d’énergie, tout en conservant le confort des utilisateurs.

 

 

De plus, les coûts de l’utilisation de cette technologie d’intelligence artificielle sont très faibles par rapport à des travaux de rénovation. Lesquels peuvent être nécessaires, mais avant cela et pour la suite, le machine learning est pertinent car il se base sur l’efficacité énergétique active. Cela demande seulement l’utilisation de capteurs connectés et d’une plateforme où les données sont disponibles et surtout, lisibles ; bien que, dans le cadre pur de l’apprentissage automatique, les actions sont faites automatiquement.

Mais l’analyse d’un energy manager reste indispensable. Il est heureusement encore possible de contredire la machine…ou de trouver, par sa collecte et son traitement des données, d’autres informations utiles.

Machine learning : un bâtiment intelligent est un bâtiment valorisé

Grâce au machine learning et à la prédiction dont il est capable, uniquement basée sur des données et des statistiques, le bâtiment gagne en performance énergétique et en services. Cela vaut autant pour les bâtiments tertiaires que pour les bâtiments résidentiels, ou les établissements pour personnes âgées. Par ailleurs, en amont, dans la construction des bâtiments, le machine learning apporte une aide considérable afin d’anticiper les problèmes ou de déterminer des critères architecturaux. Il permet aussi de sécuriser les zones à risque de manière à protéger les employés du BTP. Ces nouvelles caractéristiques sont donc une bonne nouvelle, aussi, pour le marché de l’immobilier dans son ensemble.

Quelles sont les capacités du machine learning pour la maintenance prédictive ?

Dans le domaine industriel, le machine learning est aujourd’hui un outil indispensable pour connaître l’état de son installation et de ses machines. Connaître la durée de vie de celles-ci, le besoin en consommables, son stock de pièces de rechange, et surtout de détecter les pannes avant qu’elles n’arrivent

Cette seule possibilité permet aux entreprises d’éviter de perdre de l’argent et de livrer leurs commandes dans les temps ; sans parler d’une sécurité accrue des salariés. Le machine learning en « Madame Irma des pannes » n’a pourtant rien de magique, il obéit à des technologies mises au point par l’humain et représente une avancée formidable et un gain de productivité important pour le secteur. Tout comme il est essentiel pour faire face à la concurrence, alors que l’industrie est bousculée par d’autres nouvelles technologies comme l’impression 3D. De manière inattendue, le machine learning, ajouté au savoir-faire industriel, représente de nouvelles perspectives pour les usines.

Les bâtiments tertiaires, industriels, les collectivités : toutes les structures qui produisent, ou qui sont consommatrices d’énergie, peuvent bénéficier du machine learning, quelle que soit leur taille. Même si les capacités de cette technologie sont gigantesques, il n’est pas nécessaire d’être une grosse usine ou un grand groupe pour en bénéficier. Les économies automatisées qu’elle engendre sont possibles partout.