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