Le machine learning au service d’une ville intelligente et circulaire

Posted on 08 octobre 2020.

Ce volet de l’intelligence artificielle donne aux ordinateurs la capacité « d’apprendre » par eux-mêmes à partir de données. Les villes peuvent s’en saisir pour réduire leur empreinte carbone et améliorer la gestion des ressources.

Fruit d’un atelier mené lors de la Conférence internationale sur l’apprentissage automatique (machine learning, en anglais) en juin 2019, le livre blanc Lutter contre le changement climatique grâce à l’apprentissage machine explique comment cette technologie d’intelligence artificielle peut aider à réduire les émissions de gaz à effet de serre dans différents domaines. Notamment celui de l’empreinte carbone des villes que les avancées technologiques permettent de diminuer.
Ainsi, l’apprentissage automatique fournit des outils essentiels pour aider les gestionnaires d’immeubles et les décideurs politiques à améliorer l’efficacité énergétique d’un groupe de bâtiments.

La modélisation énergétique des bâtiments urbains, utilisée notamment pour gérer les réseaux de chauffage et de refroidissement urbains (cf. le Projet InDeal, soutenu par l’UE), permet d’analyser la performance énergétique de plusieurs constructions sur une échelle allant d’un pâté de maisons ou d’un quartier à une ville tout entière. À partir de différentes caractéristiques – usage des bâtiments, dimensions, matériaux, type de toit, environnement immédiat, etc. –, le machine learning peut aider à prédire la consommation d’énergie de toute la zone considérée.

Par exemple, sur la base des données dévoilées par les propriétaires d’immeubles commerciaux et d’habitation dans le cadre des « lois de divulgation » adoptées par plusieurs villes américaines, des chercheurs de la NYU Tandon School of Engineering ont utilisé diverses méthodes d’apprentissage automatique pour prédire la consommation énergétique de 1,1 million de bâtiments de la ville de New York.
Les données recueillies peuvent aussi être exploitées par des algorithmes pour identifier les édifices présentant le potentiel de rénovation le plus élevé.

Mieux gérer les données urbaines

Par ailleurs, les villes utilisent de plus en plus les objets connectés et les nouvelles technologies de l’information pour améliorer la qualité des services urbains et gérer plus efficacement les ressources.
Pour ce faire, elles collectent un nombre toujours plus important de données issues de différentes sources : des capteurs, disposés à différents endroits et qui mesurent par exemple le trafic routier ou le niveau de pollution, mais aussi les appareils mobiles et les applications utilisés par les citadins.

Dans la smart city, ces données servent de base à l’élaboration de politiques urbaines dans les domaines de la mobilité, de l’énergie, de l’eau, des flux de matières ou de la gestion des déchets, et permettent de créer des boucles d’économie circulaire.
Leur volume et leur grande hétérogénéité soulèvent toutefois plusieurs défis auxquels le machine learning peut répondre grâce à des techniques permettant par exemple de prétraiter les données (pour ne transmettre que ce qui est pertinent), d’améliorer l’extraction des connaissances, ou d’affiner les indicateurs et les prédictions. Le tout en optimisant la consommation énergétique de ces techniques elles-mêmes.

Optimiser la gestion des déchets

En complément des nombreux exemples cités dans le document de la Conférence internationale sur l’apprentissage automatique, la gestion intelligente des déchets – c’est-à-dire l’utilisation des innovations numériques et technologiques, en particulier l’intelligence artificielle et le machine learning pour optimiser la gestion des déchets – contribue également à la réduction des émissions de gaz à effet de serre.
Composante essentielle de la smart city, elle permet aux collectivités et aux entreprises spécialisées d’inscrire le tri, la collecte et le traitement des déchets dans une logique d’économie circulaire tout en réduisant leurs coûts.

Le robot-trieur intelligent Max-AI, testé par Veolia dans plusieurs de ses centres de tri en France, illustre bien ce point. Le Groupe a développé plusieurs technologies, comme le tri automatique des emballages en fonction de leurs matière et couleur et le tri téléopéré, pour accroître les performances du tri et augmenter les taux de valorisation des déchets.
Dopé au machine learning, Max-AI, « association d’un "œil", une simple caméra optique, et d’un "bras", robot articulé, pilotée par un "cerveau", réseau neuronal implanté dans un ordinateur », vient compléter ces solutions. Afin qu’il devienne de plus en plus autonome et polyvalent, les opérateurs lui apprennent à dissocier chaque type de déchet en enrichissant sa base de données avec des centaines de milliers d’images.