Utilisation de l’IA pour automatiser les processus métier et créer des sources de revenus

L’une des caractéristiques durables de la pandémie de Covid-19 a été l’accélération que nous avons constatée dans l’apprentissage automatique dans les entreprises.

Selon le dernier Sondage sur l’investissement des cadres supérieurs en TI, en juillet, plus de 80 % des entreprises testent actuellement l’intelligence artificielle (IA) ou l’ont mise en production – ce chiffre est en forte hausse par rapport aux 55 % déclarés en 2019.

L’IA n’est plus considérée comme une source expérimentale d’innovation à long terme pour les entreprises. Il s’agit plutôt d’une technologie qui peut offrir une valeur transformationnelle et commerciale rapide, en particulier en aidant les entreprises à automatiser les processus et à créer de nouvelles sources de revenus.

AGL en est un excellent exemple. L’entreprise représente environ 30 % de la capacité énergétique totale du marché national de l’électricité en Australie et, depuis trois ans, utilise l’apprentissage automatique de diverses façons novatrices pour stimuler l’automatisation de ses activités.

Beaucoup de ses 3,7 millions de clients utilisent l’énergie solaire et les batteries connectées pour leur énergie domestique, et l’entreprise a développé un produit de « centrale virtuelle » pour leur permettre de redonner de l’énergie au réseau.

AGL a construit des milliers de modèles d’apprentissage automatique qui aident à gérer, collecter et analyser à distance les métadonnées sur la consommation d’énergie de chaque batterie afin de mieux comprendre et prévoir la capacité sur l’ensemble de son réseau. L’apprentissage automatique automatise également le processus de collecte, d’alimentation et de négociation de la capacité de réserve en tant qu’actif sur le marché national de gros de l’énergie, générant des revenus supplémentaires pour l’entreprise.

Il s’agit d’un environnement très distribué, avec chaque batterie une riche source de métadonnées, mais la nature stochastique des données d’énergie solaire nécessite l’apprentissage automatique à grande échelle pour le faire fonctionner. AGL utilise le service Microsoft Azure Machine Learning pour la formation et l’inférence, ainsi que d’autres logiciels basés sur Kubernetes et analytiques, afin de permettre un environnement standardisé pour la gestion de code, l’apprentissage automatique automatique, les MLOps, et la surveillance des performances en temps réel et le recyclage des modèles.

La centrale électrique virtuelle d’AGL a non seulement remporté plusieurs prix pour promouvoir la durabilité énergétique en Australie, mais elle a également remodelé la demande d’électricité sur le marché de l’énergie, récompensant essentiellement les clients pour leur soutien au réseau. Cela promet d’améliorer la fiabilité du réseau et d’aider les clients à économiser sur les factures d’énergie. AGL affirme que l’architecture sous-jacente lui a permis de former des milliers de modèles d’apprentissage automatique dans un 20ème du temps normalement requis.

Ce qui est le plus fascinant, c’est le niveau d’automatisation en jeu, en particulier dans le potentiel de négociation d’énergie de rechange sur le marché libre. Cet aspect aurait été impossible à grande échelle sans l’apprentissage automatique.

Récemment, s’adressant à David Broeren, directeur général de la technologie énergétique intégrée d’AGL, il s’est montré optimiste quant à l’avenir. Il a souligné que le fournisseur ajoutait d’autres ensembles de données, tels que les niveaux de neige et la couverture nuageuse, afin d’améliorer ses prévisions grâce à l’apprentissage automatique.

Il a également fait allusion aux nombreuses nouvelles opportunités d’étendre le concept d’énergie virtuelle plus profondément dans les maisons et les industries en connectant des actifs au-delà des batteries solaires au réseau, tels que les véhicules électriques, les générateurs de sauvegarde et les centres de données, par exemple.

AGL fournit un bon exemple du niveau d’automatisation que l’apprentissage automatique peut alimenter. Je m’attends à ce que beaucoup d’autres exemples similaires apparaissent à l’échelle à l’avenir.

Nicholas McQuire est vice-président principal et responsable de la recherche sur l’entreprise et l’IA chez CCS Insight.