Énergie et carbone : le cercle vertueux de l’IA

Le groupe de travail d’Impact AI a identifié la thématique énergie et carbone comme l’un des enjeux clés et récurrents de l’AI for Green. L’examen des cas d’usage de ses membres montre de façon chiffrée que le recours à l’intelligence artificielle permet de conjuguer performance financière et réduction des émissions de CO₂, notamment dans des process industriels. Grâce à ses capacités de calcul hors de portée de tout être humain, l’IA se met ainsi efficacement au service de la performance environnementale. Illustration à travers trois exemples.

 Des coques de bateau économes en énergie

Quel revêtement de coque choisir pour améliorer le plus possible les performances énergétiques d’un navire ? Intertract®Vision est une solution d’intelligence artificielle inédite qui répond à cet enjeu majeur des transporteurs maritimes. Le phénomène de fouling, ou encrassement, grève les coûts en carburant et aggrave les émissions de CO₂, préoccupations centrales des acteurs du fret maritime. Au fil du temps, faune et flore marines viennent en effet se fixer sur les parties immergées d’un bateau, accroissant les frottements et, ce faisant, l’énergie nécessaire à sa progression. L’application d’intelligence artificielle conçue par Tessella, filiale de Capgemini, et le spécialiste néerlandais du revêtement, AkzoNobel, prend en compte ce phénomène naturel. Elle prédit l’évolution des caractéristiques d’un revêtement, la consommation et le coût en carburant ainsi que les émissions de CO₂, permettant ainsi au transporteur d’investir dans des revêtements de coque adaptés à chaque navire en fonction de sa nature, de son usage commercial, de ses routes… Le modèle prédictif d’Intertract®Vision s’appuie sur l’analyse et la combinaison de milliards de données. Depuis 2016, date de lancement de l’application, les clients d’AkzoNobel ont économisé jusqu’à 9 % de carburant et autant d’émissions de CO₂. 

En hybridant deep learning et optimisation combinatoire, la supply chain voit baisser significativement ses émissions de CO₂

Si optimiser la gestion de la supply chain, notamment le fret routier, et réduire les émissions de CO₂  vont souvent de pair, plusieurs situations rendent difficiles ces améliorations. Par exemple : lorsque survient un événement imprévisible tel l’interruption du fret ferroviaire ou le lancement d’une offre promotionnelle éclair dans la grande distribution, comment adapter en temps réel et de la meilleure manière l’organisation de la chaîne logistique tout en respectant l’impératif environnemental ? En d’autres termes, il s’agit de simuler les impacts d’un imprévu et de proposer une solution qui optimise les flux, itinéraires des camions, zones de stockage, nombre de véhicules en circulation… Et ainsi diminuer les émissions de gaz à effet de serre. Sans recourir à des données massives basées sur des expériences passées, l’optimisation combinatoire (ou recherche opérationnelle classique) apporte des réponses précises à ces questions. Mais elle exige du temps et ses résultats n’intègrent pas des données de terrain, reflets de la réalité. D’un autre côté, les modèles d’apprentissage de deep learning fondés sur l’inventaire des situations passées, proposent des solutions fidèles aux réalités de terrain et quasi instantanément. Néanmoins, les algorithmes s’appuient par construction sur des situations antérieures ce qui limite leur capacité à s’adapter à des circonstances inédites. En combinant les deux approches, DC Brain est capable de simuler ces situations nouvelles et d’optimiser en respectant des contraintes, le tout avec des résultats ancrés dans la réalité et presque immédiats. Résultats constatés sur le terrain : des temps de calcul 100 fois plus rapides que dans la recherche opérationnelle, des coûts et des émissions de CO₂ diminués de l’ordre de 10 %.

Plus de qualité et moins de CO₂ dans nos œufs

Selon leur qualité, les œufs sont commercialisés auprès du grand public, de l’industrie agro-alimentaire ou du secteur pharmaceutique. En collaborant avec Capgemini et SEeMAx, un industriel de l’agro-alimentaire portugais, Rica Granja, a mis en place une solution d’intelligence artificielle capable de sélectionner les œufs et de diminuer leur empreinte carbone. Fissures, salissures, tâches et formes anormales étaient détectées pour effectuer un tri automatique, grâce à une technologie couplant captation et traitement d’image sur les chaînes de production. L’implémentation d’un algorithme de deep learning dans le système a, depuis 2018, affiné les critères de sélection. La machine sait désormais distinguer une fissure d’une rayure ce qui permet de stopper le rejet de certains œufs par erreur. L’industriel a ainsi pu sauvegarder 1 % de sa production annuelle soit 1,8 million d’œufs. Au-delà de cette productivité accrue, la solution de deep learning est un outil de performance environnementale. Dès la conception, l’apprentissage de l’IA a été pensé pour optimiser le temps de l’entraînement et ses performances énergétiques : son coût s’élève à 9,38 kg eqCO₂, soit le même que pour produire 4 kg de tomates !  Par ailleurs, en phase de production, l’usine économise 69,9 kg eqCO₂ par heure grâce aux performances de tri de l’IA. Chaque œuf sorti de la chaîne a réduit de 1 % son empreinte carbone.