Ce livre blanc sur l’énergie résulte de l'expérience Quantmetry de plusieurs années, sur le terrain et en mission, auprès de nos clients : grandes utilities intégrées, gestionnaires de réseaux de gaz ou d’électricité, équipementiers, startups… Une vingtaine de cas d’usages y sont présentés.
"D’après Yann LeCun, Chief AI scientist chez Meta et pionnier des technologies de deep learning, l’Intelligence Artificielle (IA) est un ensemble de techniques permettant à des machines d’accomplir des tâches et de résoudre des problèmes normalement réservés aux humains et à certains animaux. La définition est large. Pour la communauté scientifique, elle recouvre en fait plusieurs réalités, correspondant à différentes familles ou branches technologiques.
Aujourd’hui, ce terme d’IA désigne ainsi souvent une caractéristique bien précise : la faculté d’apprentissage par les machines, ou apprentissage automatique. C’est cette définition de l’intelligence par la capacité « d’apprentissage » (ou Machine Learning) qui s’est le plus considérablement développée ces dernières années, depuis 2012 environ, avec les succès médiatiques que l’on connait tels Alpha Go.
Au-delà, peuvent également être considérés comme « intelligents » des systèmes complexes permettant de résoudre des problèmes de façon logique grâce à une puissance de calcul en croissance toujours exponentielle. Planification complexe, optimisation sous contraintes, recherche arborescente et arbres de décisions... : autant de domaines où des règles manuelles sont appliquées à d’importants volumes de données et avec des puissances de calcul accrues. Au-delà du Machine Learning, l’Intelligence Artificielle recouvre donc aussi d’autres types d’outils comme les approches statistiques, l’estimation bayésienne, ou encore les méthodes de recherche et d’optimisation opérationnelles.
Comparativement à d’autres secteurs, l’adoption de l’ensemble de ces techniques dans l’énergie est restée relativement lente, et longtemps circonscrite à quelques cas d’usage bien normés. Parmi les cas d’usage historiques du secteur : l’analyse de séries temporelles en croisement avec des données météo à des fins de prévision de volumes de consommation, de production et/ou de prix.
Or depuis les années 2000, le secteur de l’énergie a été très fortement digitalisé (smart meters, smart grids, objets connectés et IOT...), entrainant une forte croissance des données mobilisables.
Il connait aussi de profondes mutations, avec en particulier 4 tendances clés que sont la décarbonation, les enjeux croissants de souveraineté et de décentralisation, la dérégulation et bien sûr la digitalisation.
Alors, disruption ou performance ? Comment l’intelligence artificielle impacte-t-elle les métiers de l’énergie et avec quel degré de profondeur ? Quelle est la place de ces technologies dans l’énergie de demain et avec quels genres de risques ou opportunités pour les acteurs historiques ?"
