Comment exploiter l’IA dans le secteur de la rénovation ?

L’intelligence arti­fi­cielle (IA) est de plus en plus uti­li­sée dans ces opé­ra­tions, ce qui nous rap­pelle que la réno­va­tion est un espace d’innovation. On peut dis­tin­guer quatre domaines. 

Le pre­mier consiste à clas­ser afin de prio­ri­ser. L’IA est inté­grée dans des outils de diag­nos­tic à grosses mailles. Elle per­met­tra par exemple d’identifier, dans un ensemble de 500 000 bâti­ments publics et sur la base de leurs fac­tures d’énergie rap­por­tées à leurs dimen­sions, les 1 000 ou 10 000 pour les­quels un euro inves­ti aura le plus grand impact en termes de réduc­tions d’émissions de CO2 ou de consom­ma­tion d’énergie. 

Le second domaine, c’est la créa­tion de plans de réno­va­tion opti­mi­sés, en amont d’un chan­tier : ils per­mettent d’améliorer l’agencement d’un appar­te­ment, la réno­va­tion d’un bâti­ment ou le renou­vel­le­ment d’une zone urbaine.

Troi­sième domaine, au moment de l’exécution : le recen­se­ment. Les tech­niques de com­pu­ter vision, qui s’appuient sur des images de diverses pro­ve­nances (scans, drones), per­mettent de recen­ser tout ce qu’il y a sur un chan­tier, mais aus­si de déter­mi­ner le pour­cen­tage d’avancement ou encore d’identifier des risques.

Le qua­trième domaine, c’est tout ce qui se joue quand le bâti­ment existe : main­te­nance pré­dic­tive et ges­tion intel­li­gente. S’appuyant sur des cap­teurs divers, l’IA per­met d’anticiper des pannes ou de mieux connaitre les pré­fé­rences des uti­li­sa­teurs de l’immeuble. Cer­tains sys­tèmes de smart buil­ding vont plus loin en per­met­tant des inter­ac­tions entre les uti­li­sa­teurs (ou habi­tants) de l’immeuble avec des agents conver­sa­tion­nels, ou encore en fai­sant des pré­dic­tions sur les besoins des rési­dents et ain­si géné­rer des pro­po­si­tions de ser­vices personnalisés.

En matière de réno­va­tion, c’est aujourd’hui le deuxième domaine, la concep­tion, qui voit les avan­cées les plus prometteuses. 

À l’échelle du bâti­ment, les normes tech­niques sont maî­tri­sées par les pro­fes­sion­nels et l’apport de l’IA n’est pas encore majeur. Elle per­met­tra néan­moins de faire des simu­la­tions de per­for­mance éner­gé­tique, d’impact envi­ron­ne­men­tal ou de rési­lience cli­ma­tique en fonc­tion de divers objec­tifs et contraintes, ce qui peut contri­buer à opti­mi­ser les solu­tions de réno­va­tion d’un point de vue éco­no­mique et envi­ron­ne­men­tal. Dans un envi­ron­ne­ment chan­geant, où les prix de l’énergie et des maté­riaux évo­luent beau­coup comme en ce moment, l’usage de la simu­la­tion per­met de rou­vrir le champ des pos­sibles et de trou­ver des che­mins en dehors des habi­tudes des pro­fes­sion­nels. L’automatisation per­met aus­si, plus pro­saï­que­ment, d’accélérer le travail.

À l’échelle du quar­tier (plus rare­ment de la ville tout entière), où les choses se com­pliquent, l’IA joue un rôle plus impor­tant. À la fois pour des ques­tions de res­sources : les métiers indus­triels impli­qués sont pra­ti­qués par des acteurs éco­no­miques puis­sants, sou­vent en pointe sur le plan tech­no­lo­gique ; et pour des ques­tions de besoins : c’est à cette échelle prin­ci­pa­le­ment qu’apparaissent de nou­velles variables, qui n’étaient pas inté­grées aupa­ra­vant et n’ont pas de « solu­tions tech­niques » évi­dentes, trans­po­sées dans les pratiques.

Ces ques­tions, ce sont notam­ment celles de l’impact envi­ron­ne­men­tal des acti­vi­tés de réno­va­tion et de la rési­lience et adap­ta­tion des infra­struc­tures au chan­ge­ment cli­ma­tique. Elles s’ajoutent à celles, plus clas­siques, qui régis­saient les prises de déci­sion jusqu’ici : coût des tra­vaux, confort, consom­ma­tion d’énergie au sens éco­no­mique (pou­voir d’achat des ménages, coûts pour les ges­tion­naires), consom­ma­tion d’énergie au sens éco­lo­gique (émis­sions). Un plan de réno­va­tion est aujourd’hui une affaire très complexe !

Fon­da­men­ta­le­ment, nous sommes dans une logique d’aide à la déci­sion. Pre­nons un exemple. En France et en Europe, beau­coup d’opérations de réno­va­tion concernent des quar­tiers ou des bâti­ments appar­te­nant au parc « social », édi­fiés pour la plu­part dans les trente ans qui ont sui­vi la fin de la der­nière Guerre Mon­diale. Il s’agit donc de déci­sions col­lec­tives, impli­quant des acteurs publics et, bien sûr, de l’argent public. Les pro­ces­sus sont lourds, les déci­deurs nom­breux, les enjeux éle­vés, car la dégra­da­tion phy­sique de ces quar­tiers va de pair avec des pro­blèmes sociaux et par­fois poli­tiques. Par ailleurs, ce sont le plus sou­vent des pas­soires ther­miques, et la mau­vaise qua­li­té du bâti expose par­ti­cu­liè­re­ment les habi­tants aux chocs éner­gé­tiques (ren­ché­ris­se­ment, incon­fort). Enfin, la concep­tion des quar­tiers et des bâti­ments les rend vul­né­rables aux consé­quences du chan­ge­ment cli­ma­tique, notam­ment aux cani­cules et aux inon­da­tions. Il y a dans ces quar­tiers des par­kings qui sont des îlots de cha­leur, et ceux qui sont au bord des rivières peuvent être sou­mis à un risque d’inondation qui était négli­geable quand on les a construits.

Pour résu­mer, la réno­va­tion est ici un sujet à la fois urgent et com­plexe, qui fait appa­raître des enjeux nou­veaux, pas faciles à maî­tri­ser pour les déci­deurs publics. Un des enjeux essen­tiels est donc d’accélérer et d’optimiser la déci­sion col­lec­tive. C’est pré­ci­sé­ment ce que per­met l’IA.

La réno­va­tion est un sujet à la fois urgent et com­plexe, qui fait appa­raître des enjeux nou­veaux, pas faciles à maî­tri­ser pour les déci­deurs publics. 

Com­ment ? En per­met­tant, à des stades pré­coces de la dis­cus­sion, de géné­rer auto­ma­ti­que­ment des repré­sen­ta­tions opti­mi­sées, des plans par exemple, qui ne sont pas « la » solu­tion mais qui per­mettent à la dis­cus­sion d’avancer. Ces repré­sen­ta­tions sont, ce qu’on appelle en science de ges­tion, des « objets-fron­tière » : ils sont suf­fi­sam­ment concrets pour consti­tuer une inter­face entre des mondes sociaux et des acteurs ayant des pers­pec­tives différentes.

Sur un pro­ces­sus déci­sion­nel qui dure une dou­zaine de mois, si on prend un scé­na­rio pes­si­miste, l’IA pour­rait per­mettre ain­si d’en gagner un ou deux. C’est signi­fi­ca­tif, sans être un bou­le­ver­se­ment radi­cal. On peut gager aus­si que la déci­sion sera de meilleure qua­li­té : elle est ins­truite d’une manière qui per­met à cha­cun de sai­sir les rai­son­ne­ments des autres, et sur la base de repré­sen­ta­tions plus faciles à dis­cu­ter que des colonnes de chiffres. L’IA, en per­met­tant de géné­rer faci­le­ment des pro­po­si­tions, est un faci­li­ta­teur et un opti­mi­sa­teur de la déci­sion humaine.

Pas au sens où un ordi­na­teur pren­drait la parole à table… mais une dimen­sion de dis­cus­sion peut être inté­grée au tra­vail de concep­tion qui implique l’IA. Le domaine qui nous inté­resse dans le cadre du pro­gramme de R&D Reno­vAIte sur lequel je tra­vaille, c’est ce qu’on appelle Adver­so­rial Resi­lience Lear­ning (ARL), un concept qui per­met de modé­li­ser et d’en­traî­ner des réseaux neu­ro­naux arti­fi­ciels en les met­tant dans des situa­tions de com­pé­ti­tion. On prend deux enti­tés vir­tuelles, qui vont lit­té­ra­le­ment se jeter l’une contre l’autre. L’une joue­ra le rôle de défen­seur ; ce sera une modé­li­sa­tion de l’ensemble urbain à par­tir de maquettes BIM (Buil­ding Infor­ma­tion Mode­ling : des maquettes numé­riques qui ne repré­sentent pas des formes géo­mé­triques, mais des objets) et d’autres élé­ments connus. L’autre joue­ra le rôle de l’attaquant : ce peuvent être toutes les crises (froid, cha­leur, inon­da­tion, avec des risques sur le confort, sur les sys­tèmes de chauf­fage, des risques de fis­sure ou d’imprégnation, les contraintes bud­gé­taires, etc.). Après plu­sieurs heures, cette com­pé­ti­tion per­met­tra à cha­cune des enti­tés de déve­lop­per les meilleures stra­té­gies et d’aboutir à un ensemble de pro­po­si­tions de plans de réno­va­tion urbaine opti­mi­sé à des­ti­na­tion des décideurs. 

Cela marche déjà : ce concept a été uti­li­sé en Alle­magne dans la concep­tion des réseaux de dis­tri­bu­tion d’énergie intel­li­gents (smart grid), pour iden­ti­fier les dys­fonc­tion­ne­ments sur le réseau et géné­rer les réponses auto­ma­tiques adaptées.

Propos recueillis par Richard Robert

Pour aller plus loin

https://www.annales.org/site/ri/2022/ri-mai-2022/2022–05-28.pdf