Utiliser l'IA pour maximiser la résilience de l'infrastructure

Note de la rédaction : il s'agit d'une version narrative des commentaires de Kevin Scarborough sur le podcast Energy Beat. Vous pouvez écouter l'intégralité des interviews sur le podcast ici.

Chez Siemens, nous sommes conscients qu'une transition énergétique mondiale est en cours. Nous sommes confiants dans cette observation car nous basons notre stratégie à long terme sur cinq grandes tendances mondiales: évolution démographique, urbanisation, glocalisation, changement environnemental et efficacité des ressources, et numérisation. Chacun d'entre eux aura un impact significatif sur l'énergie, c'est-à-dire sur la façon dont nous la produisons, la distribuons et l'utilisons. Et comme nous le savons tous, les entreprises donnent la priorité aux énergies renouvelables, à l'efficacité énergétique et à l'électrification de leurs actifs.

Nous savons également que cette transition met à rude épreuve les infrastructures énergétiques et immobilières existantes. Cela nécessite une transformation rapide pour maintenir la fiabilité et la durabilité de ces systèmes complexes.

Le secteur du bâtiment représente environ 40 % de la demande énergétique mondiale et la surface utilisable des bâtiments du monde entier devrait doubler d'ici 2060. Cela représente une grande partie de la superficie qui est sur le point d'être construite, ce qui sollicite nos ressources. C'est l'une des raisons pour lesquelles la demande d'électricité devrait tripler d'ici 2050. Ainsi, comme l'a récemment déclaré notre PDG de Smart Infrastructure, Matthias Rebellius, dans son post pour Reuters Plus, « un approvisionnement énergétique résilient a gagné en importance au point de devenir la priorité numéro un en matière d'infrastructure. »

Siemens y voit une opportunité majeure pour les bâtiments et les infrastructures énergétiques de devenir plus intelligentes grâce à l'IA, afin de créer le type de technologie évolutive à laquelle nous aspirons.

Nous tirons parti de l'IA et faisons des recherches dans le cadre de ce que nous appelons notre écosystème Building X ecosystem afin d'améliorer la fourniture de rapports de données, ce qui se traduit par une meilleure efficacité énergétique et des résultats opérationnels pour les clients. Par exemple, l'utilisation de l'IA générative pour identifier l'historique des bons de travail d'un actif afin de hiérarchiser la maintenance et de répondre plus rapidement aux besoins de maintenance. Nous utilisons également l'apprentissage automatique pour optimiser les systèmes de traitement de l'air et les climatiseurs des salles informatiques.

En termes simples, nous demandons à l'IA de réfléchir à la consommation d'énergie dans les bâtiments et dans les bâtiments eux-mêmes. Mais comme tout ce qui se passe dans ce nouveau paysage, il comporte des défis et des opportunités, comme en témoigne l'énorme besoin de données pertinentes.

Les défis liés à l'intégration de l'IA dans les secteurs de l'énergie et des services publics

Les trois principaux défis liés à l'intégration de l'IA dans les secteurs de l'énergie et des services publics sont la sécurité des données, la gouvernance des données et la dépendance excessive à l'IA.

La sécurité des données liées à l'IA n'est largement pas réglementée. Il s'agit donc d'un domaine à la fois présentant des opportunités et des risques. Une opportunité pourrait se présenter si des associations professionnelles telles que l'American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) se réuniraient pour créer les meilleures pratiques en matière d'utilisation de l'IA dans le secteur. Les risques potentiels liés à la sécurité des données incluent l'utilisation malveillante de l'IA par des acteurs malveillants, comme le piratage informatique. Les industries doivent rapidement faire évoluer leur approche de la sécurité des données pour relever ces défis. Les données et les décisions doivent être auditables, et il doit y avoir un contrôle d'accès aux algorithmes basé sur les rôles afin d'empêcher les acteurs malveillants d'avoir un impact sur le cerveau du moteur d'IA utilisé.

En matière de gouvernance des données, pour que le secteur génère des résultats de manière efficiente et efficace, l'IA doit produire des résultats uniformes, en particulier en ce qui concerne l'IA générative. La gouvernance des données de qualité inclut des catégorisations de données normalisées, des mécanismes de reporting et des communications, en particulier si l'IA communique avec un système d'automatisation des bâtiments. La facilité de communication permet d'éviter la création de silos de données qui entravent le partage des données clés.

La dépendance excessive à l'égard de l'IA comporte toutefois de gros risques. Si nous nous appuyons trop sur l'IA, nous perdons cette étincelle essentielle de créativité ; tout sera basé sur ce qui est transmis au moteur d'IA, et se limitera à celui-ci. Cela peut mener à la partialité et à la complaisance, en particulier en ce qui concerne l'IA générative. Les entreprises qui utilisent l'IA comme outil de créativité n'y parviennent que grâce à la participation et à la supervision de l'esprit humain.

En fin de compte, l'intelligence d'un moteur d'IA dépend des données qui y sont introduites.

Utiliser les meilleures données pour tirer parti de l'IA dans les secteurs du bâtiment et de l'énergie

Dans tout type d'application d'IA dans les domaines des bâtiments et de l'énergie, les données les plus importantes sont exactes, applicables données historiques, car pour prédire l'avenir, nous devons savoir comment les choses réagissaient ou fonctionnaient par le passé aux différents stimuli de ce système. Les données historiques peuvent inclure des images. Vous transmettez des images d'une usine centrale, par exemple, à un moteur d'intelligence artificielle pour vous aider à parcourir Internet à la recherche d'informations sur la conception d'un appareil ou d'un moteur.

Grâce à l'IA générative, le fait de disposer de rapports sur les bons de travail et d'un historique complet de la maintenance d'un système spécifique pourrait permettre à un spécialiste, expert en optimisation d'un système, d'agir plus rapidement pour résoudre un problème complexe que peut rencontrer un client. Avec l'apprentissage automatique, il est absolument essentiel de disposer d'un système d'automatisation des bâtiments qui utilise les bons capteurs et formaté avec les bonnes données de tendance et les bonnes mesures.

La précision des données et une quantité vraiment fiable de données sont essentielles pour optimiser l'IA. Par exemple, les données météorologiques peuvent être utilisées pour prendre des décisions en temps quasi réel concernant un plan d'opérations central, ou pour un appareil de traitement de l'air utilisant l'apprentissage automatique, afin de calculer les économies potentielles. C'est un clin d'œil à l'utilisation d'une interface de programmation d'applications (API), un intermédiaire numérique entre deux applications qui permet à un programme de demander des données ou des fonctionnalités à un autre sans avoir à connaître le fonctionnement de l'autre système. Les responsables système peuvent créer des API qui peuvent être intégrées à l'IA en cours d'utilisation, ce qui permet d'améliorer l'évolutivité, les fonctionnalités et la flexibilité, avec la possibilité de personnaliser les sorties pour répondre aux besoins spécifiques des utilisateurs.

Déterminer la bonne quantité de données historiques pour l'IA

Comment déterminez-vous l'étendue des données historiques dont vous avez besoin ? Cela dépend de ce qui s'est réellement passé, disons, ces trois dernières années. Est-ce suffisant ou en avez-vous vraiment besoin de plus ?

D'après mes études d'ingénieur en énergie, la plupart des responsables auraient besoin de deux à trois ans de données sur les services publics. Mais si vous m'avez dit pendant la pandémie de COVID que vous vouliez obtenir trois ans de données sur les services publics, je vous dirais que 2020 et 2021 ne sont pas vraiment pertinents pour prévoir ce à quoi ressemblera l'avenir, car les bâtiments étaient inoccupés à cette époque.

La quantité de données historiques dont vous avez besoin dépend également du système du bâtiment, du bâtiment lui-même et de ce que vous essayez de réaliser sur le plan opérationnel. Par exemple, lorsque vous avez un appareil de traitement de l'air dans une salle de conférence qui a besoin de données. S'il y a une réunion par jour dans cette salle de conférence, je pourrais probablement me débrouiller avec environ deux semaines de données. Si la température extérieure était représentative d'un plus grand nombre d'heures passées à une certaine température, cela devrait être une donnée suffisante.

De nombreuses considérations concernant les données historiques dépendent de l'application, mais les responsables de l'énergie doivent sérieusement se pencher sur le passé et sur la manière dont les événements mondiaux ont pu influencer la qualité réelle des données dont ils disposent.

Utiliser l'IA pour gérer la charge et la flexibilité de la demande

Le secteur de l'énergie apprend à tirer parti de l'apprentissage automatique et de l'IA pour les questions clés que sont l'optimisation et le dimensionnement de la charge sur le réseau et les systèmes. La technologie du jumeau numérique joue également un rôle majeur à cet égard. Un jumeau numérique peut contribuer à prolonger la durée de vie des équipements électriques en détectant les défauts de ces systèmes avant qu'ils ne deviennent un problème. L'IA peut alimenter ce jumeau numérique en traitant les grands ensembles de données nécessaires à la création de jumeaux de tels actifs.

Une autre technologie qui peut entrer en jeu pour la distribution d'énergie est une offre de la plateforme Siemens Xcelerator : Electrification X. Cette offre, basée sur des services cloud, est conçue pour gérer, optimiser et automatiser l'infrastructure d'électrification en fournissant une vue globale des sous-stations et d'autres actifs. Une fonctionnalité d'Electrification X, appelée Electrification X Asset Management, utilise l'analyse des données des capteurs pour permettre aux propriétaires et aux opérateurs d'actifs d'améliorer la disponibilité et la fiabilité, de réduire les dépenses opérationnelles et de renforcer la cybersécurité.

Siemens propose une autre offre, Gridscale X, qui fournit un logiciel modulaire facile à déployer pour la gestion du réseau de bout en bout et qui tire parti de l'IA pour analyser de grandes quantités de données sur le réseau. Cette offre comprend Gridscale X DER Insights, qui utilise l'IA pour découvrir les ressources énergétiques distribuées (DER) situées derrière le compteur et évaluer leur comportement et leur impact sur l'équipement du réseau. Cela permet de prévoir, d'analyser et d'extraire des informations utiles et de les transformer en prochaines étapes exploitables. C'est précieux car cela aide les clients à optimiser les opérations du DER, à comprendre les performances et l'état de santé du DER et à maximiser la résilience de l'entreprise et du réseau.

Garder une longueur d'avance sur les principales tendances en matière d'IA

Les responsables du secteur doivent garder un œil sur les réglementations en vigueur en matière d'IA aux États-Unis et dans le monde, car elles auront certainement un impact sur le développement futur de l'IA. Cela signifie que ce que nous faisons actuellement avec l'IA va changer. Nous devons également être à l'affût des nouvelles fonctionnalités et technologies d'IA au fur et à mesure de leur mise en ligne. Les responsables du secteur doivent apprendre rapidement comment ces nouveaux éléments peuvent s'appliquer aux opérations liées au bâtiment et à l'énergie afin que leur valeur puisse faire la différence pour les entreprises et pour les clients.

En fin de compte, nous devons tous avoir l'esprit ouvert quant à ce que peut faire l'IA. Profitons des changements à venir et affirmons le rôle humain dans l'IA. Nous pouvons être prudentes, mais il ne faut pas avoir peur. Tout le monde peut s'appuyer sur l'IA en apprenant tout ce que vous pouvez à son sujet et essayer de développer votre activité, en l'utilisant là où elle ajoute de la valeur, améliore les opérations et profite aux clients.

Publié le 30 décembre 2025