C’est après un M2 en spécialisation Data Science (machine learning, deep learning, traitement du signal) que Maxime Beauchêne, notre Lead Data Scientist, est arrivé chez DCbrain il y a quasiment 4 ans au sein d’une équipe de 4 Data Scientists. Responsable de toute la partie intégration de la Data Science dans le produit Intelligent Network Solution, il vous explique plus en détails ce que sont le machine learning et la data science ci-dessous :

 

Comment définirais tu le Machine Learning ?

Il s’agit de la prédiction des évènements, des consommations de chaleur pour les réseaux de chaleurs, ainsi que les consommations dans les réseaux d’électricités et de gaz. Il sert également à savoir détecter les anomalies telles qu’un capteur qui ne fonctionne pas dans le réseau ou le dysfonctionnement d’un élément dans ce même réseau (on prendra son comportement dans un état normal puis on le testera avec le modèle de Machine Learning pour voir si le comportement est toujours le même ou si il y a des dérives). Puis nous trouverons des pattern de consommation qui vont servir à comprendre la consommation des utilisateurs afin de pouvoir s’en servir pour l’optimisation.

Étapes Machine Learning :

  • Les clients envoient leurs données
  • Nous rajoutons des données exogènes (cartographiques, météo, évènements, etc)
  • Feature engineering, ajout de données plus fines, adaptées aux séries temporelles, à partir des données clients et exogènes
  • Sélection automatique des variables les plus importantes pour faire le modèle de forecast
  • Sélection et optimisation automatique de l’algorithme le plus adapté au problème

Il faut par la suite que nous sachions expliquer aux clients pourquoi l’algorithme s’est comporté ainsi et pourquoi nous trouvons cette prédiction.
Par exemple pour les réseaux de chaleur, nous allons chercher à prédire la consommation des utilisateurs sur une heure de la journée : pouvoir expliquer que l’heure de la journée a été importante et montrer le poids de cette variable montre que le modèle est cohérent.

Et la Data Science chez DCbrain ?

Chez DCbrain nous cherchons à rendre accessible la Data science à une personne non Data Scientist.
Notre but étant que le client puisse se servir de la Data Science via notre outil de façon automatisée sans forcément être un expert dans ce domaine. Pour cela, nous avons développé un modèle d’auto ML permettant au client de générer du forecast sur les mesures de son choix, contenus ou non dans un graph. Si nécessaire, ce module d’Auto ML permet de prendre en compte la topologie du graph, ce qui permet d’améliorer la qualité des modèles.

Le client peut ensuite créer son modèle de prédiction d’une grandeur physique sur son réseau (prédiction de consommation, de production, apprendre le fonctionnement d’un élément dans le réseau) puis activer le modèle qu’il souhaite sur chaque élément de ce même réseau.

Nous nous servons aussi de la data science pour faire de la détection d’anomalies. Par exemple, nous avons développé un module de dérive permettant de détecter un écart entre la prédiction et la réalité pouvant indiquer un dysfonctionnement ou l’évolution d’un élément du réseau.

As-tu un exemple client sur lequel tu as travaillé dernièrement ?

Pour Orano : il nous fallait optimiser les réseaux de vapeur dans une usine, la vapeur étant utilisée pour transporter des matériaux, nettoyer des cuves etc.
Il fallait ajuster la production de vapeur à la demande des ateliers :

  • Prédire la demande de vapeur grâce au modèle de forecast
  • Apprendre le fonctionnement de chaque chaudière à vapeur avec création d’un modèle reproduisant sa fonction de transfert
  • Optimisation de la production par la sélection de la meilleure combinaison de chaudière pour subvenir à une demande donnée

Pourquoi travailler avec DCbrain ?

Notre Data Science se distingue des autres par son adaptation aux réseaux physiques (graph) et aux séries temporelles.
De plus ce qui distingue DCbrain d’autres entreprises est que nous nous efforçons pour chaque problème de Data Science, notamment le forecast, de rencontrer les personnes du métier afin de mieux comprendre leurs enjeux.

 

Pour en savoir plus sur notre outil INeS, n’hésitez pas à vous rendre sur la page qui lui est dédiée.