{"id":693,"date":"2025-10-12T17:37:12","date_gmt":"2025-10-12T22:37:12","guid":{"rendered":"https:\/\/benoit.marcoux.ca\/blog\/?p=693"},"modified":"2025-10-12T17:37:13","modified_gmt":"2025-10-12T22:37:13","slug":"de-la-recherche-operationnelle-a-lagi-lia-dans-lindustrie-electrique","status":"publish","type":"post","link":"https:\/\/benoit.marcoux.ca\/blog\/de-la-recherche-operationnelle-a-lagi-lia-dans-lindustrie-electrique\/","title":{"rendered":"De la recherche op\u00e9rationnelle \u00e0 l\u2019AGI : l\u2019IA dans l\u2019industrie \u00e9lectrique"},"content":{"rendered":"\n

(LinkedIn : https:\/\/www.linkedin.com\/pulse\/de-la-recherche-op%25C3%25A9rationnelle-%25C3%25A0-lagi-lia-dans-benoit-marcoux-vowue\/<\/a>)<\/p>\n\n\n\n

L\u2019intelligence artificielle dans les compagnies d\u2019\u00e9lectricit\u00e9 \u00e9volue depuis des d\u00e9cennies \u00e0 travers des techniques compl\u00e9mentaires, comme la recherche op\u00e9rationnelle (Operational Research, OR)<\/strong>, l\u2019apprentissage automatique (Machine Learning, ML)<\/strong> et, plus r\u00e9cemment, l\u2019apprentissage profond (Deep Learning, DL)<\/strong>, qui constitue la base des syst\u00e8mes actuels d\u2019IA g\u00e9n\u00e9rative (GenAI)<\/strong>, tels que ChatGPT. Bien que les discussions sur l\u2019intelligence artificielle g\u00e9n\u00e9rale (AGI)<\/strong> restent largement sp\u00e9culatives, les outils d\u00e9j\u00e0 disponibles transforment la mani\u00e8re dont les compagnies d\u2019\u00e9lectricit\u00e9 planifient et exploitent leurs r\u00e9seaux.<\/p>\n\n\n\n

J\u2019ai con\u00e7u des syst\u00e8mes dans les ann\u00e9es 1980 qui, selon les d\u00e9finitions actuelles, seraient consid\u00e9r\u00e9s comme de la recherche op\u00e9rationnelle et de l\u2019apprentissage automatique, \u00e0 une \u00e9poque o\u00f9 la premi\u00e8re \u00e9tait d\u00e9j\u00e0 bien \u00e9tablie, mais o\u00f9 le second en \u00e9tait encore \u00e0 ses d\u00e9buts. Cette exp\u00e9rience pr\u00e9coce ne fait pas de moi un expert en IA, surtout aujourd\u2019hui, mais elle me donne une perspective sur la fa\u00e7on dont les vagues technologiques montent, retombent et reviennent sous de nouvelles formes. Pour les compagnies d\u2019\u00e9lectricit\u00e9 aussi, l\u2019histoire de l\u2019IA rel\u00e8ve moins d\u2019une rupture soudaine que d\u2019une \u00e9volution graduelle de m\u00e9thodes analytiques bien connues.<\/p>\n\n\n\n

La recherche op\u00e9rationnelle<\/strong> soutient les syst\u00e8mes \u00e9lectriques depuis des g\u00e9n\u00e9rations. Pensons aux courbes t?c des disjoncteurs de postes, au d\u00e9lestage de charge en cas de sous?fr\u00e9quence (Under Frequency Load Shedding, UFLS), \u00e0 l\u2019optimisation des flux de puissance, \u00e0 la planification hydro\u00e9lectrique, \u00e0 la coordination des arr\u00eats, \u00e0 la logistique et \u00e0 l\u2019allocation des ressources. L\u2019OR demeure la base des op\u00e9rations et de la planification du transport.<\/p>\n\n\n\n

L\u2019apprentissage automatique<\/strong> s\u2019est appuy\u00e9 sur cette base dans les ann\u00e9es 1990 et 2000. Les compagnies d\u2019\u00e9lectricit\u00e9 ont commenc\u00e9 \u00e0 l\u2019utiliser pour la pr\u00e9vision : charge, production renouvelable et m\u00eame prix sur les march\u00e9s d\u00e9r\u00e9glement\u00e9s. La d\u00e9tection de pannes, la maintenance pr\u00e9dictive des transformateurs et c\u00e2bles, ainsi que la d\u00e9tection d\u2019anomalies dans les domaines physique et cybern\u00e9tique, font partie de cette vague.<\/p>\n\n\n\n

L\u2019apprentissage profond<\/strong> \u00e9merge aujourd\u2019hui et se combine aux applications de GenIA<\/strong>. Les drones dot\u00e9s de vision artificielle aident \u00e0 la gestion de la v\u00e9g\u00e9tation et \u00e0 l\u2019inspection des lignes, tandis que le traitement du langage naturel soutient les centres d\u2019appels et les rapports de pannes. Le DL et la GenAI sont \u00e9galement de plus en plus utilis\u00e9s pour des t\u00e2ches d\u2019ing\u00e9nierie des donn\u00e9es, comme les processus ETL (extraire, transformer, charger) et la validation de donn\u00e9es lors de la modernisation des syst\u00e8mes informatiques (TI) ou op\u00e9rationnels (TO). Les manuels d\u2019exploitation de plusieurs milliers de pages peuvent \u00eatre int\u00e9gr\u00e9s \u00e0 des mod\u00e8les de langage (Large Language Models, LLM) afin de fournir des r\u00e9ponses simplifi\u00e9es au personnel de terrain, r\u00e9duisant ainsi le besoin de formation approfondie. De grandes entreprises technologiques publient des outils con\u00e7us pour aider \u00e0 ces t\u00e2ches, comme les agents d\u2019IA de Google destin\u00e9s aux \u00e9quipes de donn\u00e9es. Ces outils peuvent acc\u00e9l\u00e9rer l\u2019int\u00e9gration, mais reposent toujours sur une gouvernance rigoureuse des donn\u00e9es et une expertise m\u00e9tier solide.<\/p>\n\n\n\n

L\u2019AGI<\/strong> constitue l\u2019\u00e9tape th\u00e9orique suivante. Cependant, les compagnies d\u2019\u00e9lectricit\u00e9 ne devraient pas la poursuivre pour elle-m\u00eame. Les gains pratiques proviennent de syst\u00e8mes adapt\u00e9s \u00e0 la gestion du r\u00e9seau, au service \u00e0 la client\u00e8le et \u00e0 la sant\u00e9 des actifs \u2014 des probl\u00e8mes concrets qui exigent des solutions explicables et conformes aux exigences r\u00e9glementaires.<\/p>\n\n\n\n

De nombreuses compagnies d\u2019\u00e9lectricit\u00e9 ont h\u00e9sit\u00e9 \u00e0 adopter m\u00eame des applications \u00e9prouv\u00e9es d\u2019OR ou de ML. La maintenance pr\u00e9ventive, par exemple, a souvent \u00e9t\u00e9 \u00e9cart\u00e9e au profit de strat\u00e9gies d\u2019exploitation jusqu\u2019\u00e0 la d\u00e9faillance. Cette r\u00e9ticence n\u2019est pas uniquement technique : une gouvernance des donn\u00e9es faible, des t\u00e9l\u00e9communications inad\u00e9quates et un conservatisme culturel ou r\u00e9glementaire ont tous contribu\u00e9 \u00e0 ce retard. Paradoxalement, ces m\u00eames approches sont parfois adopt\u00e9es plus facilement lorsqu\u2019elles sont pr\u00e9sent\u00e9es sous l\u2019\u00e9tiquette \u00ab?IA?\u00bb. Le v\u00e9ritable d\u00e9fi pour les compagnies d\u2019\u00e9lectricit\u00e9 n\u2019est donc pas technologique, mais organisationnel, n\u00e9cessitant une gestion, une gouvernance et une formation \u00e0 la hauteur du rythme de l\u2019innovation.<\/p>\n\n\n\n

Les syst\u00e8mes d\u2019IA g\u00e9n\u00e9rative (GenAI)<\/strong> et les grands mod\u00e8les de langage (LLM)<\/strong> comportent \u00e9galement des risques d\u2019erreurs. Ces syst\u00e8mes, fond\u00e9s sur l\u2019apprentissage profond, peuvent g\u00e9n\u00e9rer du texte, du code ou des r\u00e9ponses \u00e0 des requ\u00eates, ce qui en fait des outils puissants pour simplifier l\u2019acc\u00e8s \u00e0 l\u2019information. Toutefois, je les utilise moi?m\u00eame pour l\u2019\u00e9criture, et s\u2019ils acc\u00e9l\u00e8rent les 80 % initiaux du travail, ils font encore des erreurs. Cela peut convenir pour la r\u00e9daction de texte r\u00e9vis\u00e9 par un humain averti, mais pas pour les syst\u00e8mes essentiels \u00e0 la mission, o\u00f9 la s\u00e9curit\u00e9 et la fiabilit\u00e9 priment.<\/p>\n\n\n\n

D\u00e9fis li\u00e9s aux donn\u00e9es<\/strong><\/p>\n\n\n\n

La principale contrainte pour les compagnies d\u2019\u00e9lectricit\u00e9 ne r\u00e9side pas dans les algorithmes, mais dans la qualit\u00e9 et la gestion des donn\u00e9es<\/strong>. Les r\u00e9seaux de transport sont relativement bien instrument\u00e9s, mais les r\u00e9seaux de distribution sont complexes : millions d\u2019actifs dispers\u00e9s, dossiers fragment\u00e9s et syst\u00e8mes h\u00e9rit\u00e9s. \u00c0 mesure que se multiplient les ressources \u00e9nerg\u00e9tiques distribu\u00e9es (Distributed Energy Resources, DER) et les compteurs intelligents, le volume de donn\u00e9es explose. La gouvernance, l\u2019interop\u00e9rabilit\u00e9 et la cybers\u00e9curit\u00e9 doivent passer en premier. Une mauvaise qualit\u00e9 de donn\u00e9es limite aussi l\u2019entra\u00eenement et la validation des mod\u00e8les d\u2019IA, ce qui fait de la gestion des donn\u00e9es une condition pr\u00e9alable \u00e0 des r\u00e9sultats cr\u00e9dibles. Le DL et la GenAI peuvent contribuer \u00e0 nettoyer et \u00e0 int\u00e9grer ces donn\u00e9es, mais seulement si des cadres solides sont en place.<\/p>\n\n\n\n

D\u00e9fis organisationnels et de mise en \u0153uvre<\/strong><\/p>\n\n\n\n

Les compagnies d\u2019\u00e9lectricit\u00e9 sont ax\u00e9es sur la fiabilit\u00e9 et la prudence, \u00e0 juste titre. Mais cette culture rend l\u2019adoption des outils num\u00e9riques difficile. Les projets d\u2019IA exigent des comp\u00e9tences hybrides : expertise en syst\u00e8mes \u00e9lectriques et en mod\u00e8les d\u2019IA. La requalification et la culture num\u00e9rique sont essentielles. La gestion du changement constitue souvent le principal obstacle. Un autre frein est la faible tol\u00e9rance \u00e0 l\u2019exp\u00e9rimentation. Contrairement aux entreprises technologiques qui consacrent des \u00e9quipes enti\u00e8res \u00e0 tester et it\u00e9rer de nouveaux outils, la plupart des compagnies d\u2019\u00e9lectricit\u00e9 h\u00e9sitent \u00e0 investir dans des projets dont les r\u00e9sultats sont incertains, m\u00eame lorsque la valeur d\u2019apprentissage est \u00e9lev\u00e9e. Certaines t\u00e2ches peuvent \u00eatre simplifi\u00e9es sans beaucoup de formation?; les LLM capables de r\u00e9pondre \u00e0 des requ\u00eates \u00e0 partir de manuels techniques volumineux en sont un bon exemple, mais la plupart n\u00e9cessitent une int\u00e9gration plus profonde aux pratiques existantes.<\/p>\n\n\n\n

Les organismes de r\u00e9glementation exigeront \u00e9galement de la transparence. Si l\u2019IA est utilis\u00e9e pour prioriser les pannes ou optimiser les tarifs, les d\u00e9cisions devront \u00eatre explicables. Certaines approches, comme l\u2019OR et de nombreux mod\u00e8les de ML, sont relativement transparentes dans leurs r\u00e9sultats, tandis que l\u2019apprentissage profond et les LLM fonctionnent souvent comme des \u00ab?bo\u00eetes noires?\u00bb, rendant la justification plus difficile. L\u2019explicabilit\u00e9 est essentielle non seulement pour la qualit\u00e9 des mod\u00e8les, mais aussi pour la confiance du public, la conformit\u00e9 r\u00e9glementaire et la capacit\u00e9 d\u2019auditer les d\u00e9cisions qui affectent la fiabilit\u00e9 et le service aux clients. La foi aveugle dans les promesses d\u2019\u00ab?IA magique?\u00bb ne r\u00e9sistera pas \u00e0 l\u2019examen r\u00e9glementaire ou op\u00e9rationnel. En fait, les compagnies d\u2019\u00e9lectricit\u00e9 font souvent davantage confiance \u00e0 l\u2019exp\u00e9rience r\u00e9elle de leurs pairs qu\u2019au marketing des fournisseurs. Les fournisseurs qui r\u00e9ussiront seront ceux qui agiront comme des ponts de connaissance patients, apportant les le\u00e7ons et les perspectives d\u2019autres compagnies d\u2019\u00e9lectricit\u00e9 \u00e0 travers le monde sur la fa\u00e7on dont l\u2019IA a \u00e9t\u00e9 d\u00e9ploy\u00e9e efficacement, plut\u00f4t que de simplement vendre de la technologie.<\/p>\n\n\n\n

Nouvelle demande en \u00e9lectricit\u00e9<\/strong><\/p>\n\n\n\n

L\u2019IA n\u2019est pas seulement une solution?; elle cr\u00e9e aussi une nouvelle demande d\u2019\u00e9lectricit\u00e9. Les grands centres de donn\u00e9es d\u2019IA consomment d\u00e9sormais de l\u2019\u00e9lectricit\u00e9 \u00e0 des niveaux comparables \u00e0 ceux d\u2019une aluminerie. Cette charge croissante accentue la pression sur des r\u00e9seaux d\u00e9j\u00e0 sollicit\u00e9s. S\u2019ajoutent les pr\u00e9occupations quant \u00e0 l\u2019endroit o\u00f9 les donn\u00e9es sont stock\u00e9es : si des donn\u00e9es critiques sont conserv\u00e9es \u00e0 l\u2019\u00e9tranger ou susceptibles d\u2019\u00eatre partag\u00e9es avec des gouvernements \u00e9trangers, des questions de souverainet\u00e9, de s\u00e9curit\u00e9 et de conformit\u00e9 r\u00e9glementaire se posent.<\/p>\n\n\n\n

La voie \u00e0 suivre<\/strong><\/p>\n\n\n\n

La prochaine \u00e9tape pour les compagnies d\u2019\u00e9lectricit\u00e9 ne consiste pas \u00e0 courir apr\u00e8s l\u2019AGI, mais \u00e0 devenir de v\u00e9ritables organisations pr\u00eates pour l\u2019IA<\/strong> en se concentrant sur :<\/p>\n\n\n\n