SystemX Blog

Blog

  • So Führen Jugendliche Kein Risiko Bei Glücksspielen Einer Spielsucht entgegen

    So führen Jugendliche kein Risiko bei Glücksspielen einer Spielsucht entgegen

    Glücksspiele können für junge Erwachsene eine unterhaltsame Freizeitbeschäftigung sein, doch sie bergen auch das Risiko der Entwicklung einer Spielsucht. Besonders in einer Zeit, in der digitale Angebote und Online-Casinos immer zugänglicher werden, ist es entscheidend, präventive Strategien zu kennen und umzusetzen. Dieser Artikel stellt bewährte Maßnahmen vor, um junge Menschen vor den Gefahren der Glücksspielsucht zu schützen und verantwortungsbewusst mit Glücksspielen umzugehen.

    Verständnis für die Risiken entwickeln

    Der erste Schritt zur Vermeidung einer Spielsucht besteht darin, sich der Risiken bewusst zu sein. Viele junge Erwachsene unterschätzen die Gefahr, süchtig zu werden, und denken, dass sie die Kontrolle behalten. Aufklärungskampagnen und Informationsangebote, wie sie beispielsweise auf Plattformen wie winhero bereitgestellt werden, können helfen, die Risiken verständlich zu machen. Es ist wichtig, zu wissen, dass Glücksspiele süchtig machen können, wenn sie unkontrolliert oder ohne Bewusstsein für die eigenen Grenzen betrieben werden.

    Bewusster Umgang mit Glücksspielen fördern

    Der verantwortungsvolle Umgang mit Glücksspielen ist essenziell, um eine Sucht zu verhindern. Hier einige praktische Tipps:

    • Setze klare Limits für Zeit und Geld, die du beim Glücksspiel investierst.
    • Vermeide es, Verluste durch zusätzliche Einsätze auszugleichen.
    • Plane feste Pausen ein und halte dich an diese.
    • Spiele nur aus Spaß und nicht, um finanzielle Probleme zu lösen.

    Emotionale Kontrolle und Selbstreflexion

    Junge Erwachsene sollten lernen, ihre Emotionen beim Spielen zu erkennen und zu steuern. Glücksspiel kann das Glücksgefühl steigern, aber auch Frustration oder Ärger hervorrufen. Das Bewusstsein über eigene emotionale Zustände hilft, impulsives Verhalten zu vermeiden. Regelmäßige Selbstreflexion, zum Beispiel durch das Führen eines Spieltagebuchs, unterstützt dabei, problematisches Verhalten frühzeitig zu erkennen und Gegenmaßnahmen zu ergreifen.

    Soziale Unterstützung und Beratung

    Der Austausch mit Freunden, Familie oder professionellen Beratern ist ein wichtiger Schutzfaktor. Wenn jemand Anzeichen einer problematischen Spielweise zeigt, ist es ratsam, frühzeitig Unterstützung zu suchen. Organisationen wie die Bundeszentrale für gesundheitliche Aufklärung bieten Beratungsstellen an, die anonym und vertraulich helfen. Auch Online-Tools und Apps können dabei unterstützen, das eigene Spielverhalten zu überwachen und Grenzen einzuhalten.

    Vorsicht bei Online-Glücksspielen

    Online-Casinos und Sportwetten sind besonders attraktiv für junge Erwachsene, weil sie bequem und rund um die Uhr zugänglich sind. Allerdings erhöhen sie auch das Risiko, die Kontrolle zu verlieren. Hier gilt es, besonders vorsichtig zu sein:

    • Vermeide es, während emotionaler Belastungen online zu spielen.
    • Nutze nur lizenzierte und vertrauenswürdige Anbieter.
    • Nutze verfügbare Selbstsperren und Limits, die viele Plattformen anbieten.

    Rolle der Präventionsprogramme und Aufklärung

    Präventionsprogramme in Schulen und Universitäten spielen eine entscheidende Rolle, um Jugendliche frühzeitig über die Risiken aufzuklären. Viele dieser Programme setzen auf interaktive Workshops und Gruppenarbeit, um Bewusstsein zu schaffen und gesunde Verhaltensweisen zu fördern. Zudem ist die Zusammenarbeit mit Organisationen wie winhero wichtig, die Ressourcen und Unterstützung bei der Suchtprävention bereitstellen.

    Fazit

    Die Vermeidung von Spielsucht bei jungen Erwachsenen erfordert eine Kombination aus Aufklärung, bewusster Selbstkontrolle und sozialer Unterstützung. Es ist wichtig, die Risiken zu kennen und verantwortungsvoll mit Glücksspielen umzugehen. Durch die Nutzung von Informationen und Hilfsmitteln, die heute verfügbar sind, können junge Menschen den Spaß am Spiel genießen, ohne ihre Gesundheit oder ihr finanzielles Wohl zu gefährden. Indem sie frühzeitig präventive Strategien anwenden, legen sie den Grundstein für einen verantwortungsvollen Umgang mit Glücksspielen – eine Aufgabe, die uns alle betrifft.

  • Discover the Exciting World of Casino Bonuses and Promotions

    Discover the Exciting World of Casino Bonuses and Promotions

    Casino bonuses and promotions are an integral part of the gambling experience, offering players extra value and enhancing their chances of winning. Whether you are a seasoned player or new to the online casino scene, understanding the different types of bonuses available can help you make informed decisions and maximize your enjoyment. In this article, we will explore the most common and enticing casino bonuses, with a special mention of offerings from Lux Online Casino, to guide you through the diverse options in the industry.

    Welcome Bonuses

    One of the most popular and widely advertised types of casino bonuses is the welcome bonus. Designed to attract new players, these offers typically match a player’s initial deposit with extra funds. For example, a casino may offer a 100% match bonus up to a certain amount, meaning if you deposit $100, you receive an additional $100 to play with. Some casinos also include free spins as part of their welcome package, giving players additional opportunities to win on slot games.

    Deposit Bonuses

    Deposit bonuses are an extension of welcome offers but can also be available to existing players. They are awarded when players make a deposit and can come in various forms, such as percentage matches or fixed amounts. Regular deposit bonuses encourage players to continue playing and depositing, fostering loyalty and engagement. It’s important to review the terms, including wagering requirements, before claiming these bonuses.

    No Deposit Bonuses

    No deposit bonuses are attractive because they require no initial deposit from the player. Usually offered as free spins or small bonus amounts, these promotions allow players to try out casino games risk-free. They are ideal for testing new platforms or games without financial commitment. Keep in mind that these bonuses often come with strict wagering conditions and withdrawal limits.

    Free Spins

    Free spins are specifically geared toward slot enthusiasts. They are often part of welcome packages or ongoing promotions. When you receive free spins, you can play selected slot games without risking your own money. Winnings from free spins are subject to wagering requirements, but they provide a great way to explore new slots and potentially win real money with minimal risk.

    Cashback Promotions

    Cashback bonuses give players a percentage of their losses back over a specific period. This type of promotion offers a safety net and encourages players to keep trying, knowing they will recover a portion of their losses. Cashback deals are popular among high rollers and regular players, offering ongoing support and value.

    Loyalty and VIP Programs

    Many online casinos, including Lux Online Casino, feature loyalty or VIP programs to reward dedicated players. These programs often involve earning points for every wager, which can be exchanged for bonuses, free spins, or other perks. VIP members may enjoy exclusive bonuses, personalized services, and faster withdrawals, making their gaming experience more rewarding and tailored to their preferences.

    Special Promotions and Tournaments

    In addition to standard bonuses, casinos frequently run special promotions such as tournaments, prize draws, or seasonal offers. These events add an extra layer of excitement and competitiveness, allowing players to win substantial prizes or bonuses by participating in specific games or challenges. Such promotions are regularly updated, so players are encouraged to stay engaged and take advantage of limited-time offers.

    Understanding Bonus Terms and Conditions

    While casino bonuses can significantly boost your bankroll and gaming experience, it’s crucial to read and understand the terms and conditions associated with each offer. Common restrictions include wagering requirements, eligible games, maximum withdrawal limits, and expiration dates. A clear understanding helps you manage expectations and avoid disappointment when trying to withdraw winnings derived from bonus funds.

    Conclusion

    Exploring the diverse range of casino bonuses and promotions can greatly enhance your online gaming journey. From generous welcome offers to ongoing loyalty rewards, each promotion serves a specific purpose in attracting and retaining players. As you navigate this exciting landscape, remember to choose reputable casinos like Lux Online Casino, which offers transparent terms and a variety of rewarding promotions. Armed with knowledge about the different bonus types, you can play smarter, enjoy greater value, and increase your chances of hitting that big win.

  • Développer des outils numériques pour stimuler les changements de comportements

    Développer des outils numériques pour stimuler les changements de comportements

    L’accélération des transitions est un mantra que l’on retrouve au cœur des agendas industriels et institutionnels : énergie, environnement, RSE… In fine ce sont de nouveaux usages qui sont attendus pour changer les paradigmes actuels. Les briques élémentaires sont bien souvent disponibles, il faut les mettre en musique et générer de l’adhésion, à grande échelle. Le développement de mécanismes centrés sur l’incitation est une nécessité pour libérer les frictions inhérentes à l’éclosion de nouveaux modèles, économiques et organisationnels.

    Traiter les défis sociétaux à travers les mécanismes classiques de notre économie est un pari de longue haleine : contraintes légales, réglementaires ou fiscales, business, marketing, tissu associatif… Promouvoir de nouvelles trajectoires peut aussi passer par l’émergence de modèles économiques étendus au sein des chaînes de valeur, adossés à des enjeux stratégiques portés par l’ensemble des parties prenantes. La technologie ne saurait constituer le levier unique pour répondre à ces challenges, l’adoption de solutions à impact en est une clef. Ce sont les usages de masse qui dimensionnent les retombées.

    En France la fiscalité liée aux émissions carbone est aujourd’hui principalement portée par la TICPE (taxe intérieure de consommation sur les produits énergétiques), dont l’assiette se réduit à mesure que la consommation de produit pétroliers diminue. En parallèle on ne constate pas -à date- de résultats notables sur la décarbonation de notre économie. D’une part parce que seuls 20 % du produit de cette taxe sont fléchés vers la « transition énergétique », d’autre part parce qu’une partie des entreprises en sont exonérées.

    Comment distinguer les initiatives qui contribuent réellement aux défis qu’elles adressent de celles qui prétendent le faire ? Le contexte appelle à une plus grande efficacité des démarches, sans pour autant brimer l’innovation et les initiatives à petites échelles. Comment impliquer plus largement les opérateurs de services, consommateurs, fournisseurs et autres parties prenantes des chaînes de valeur pour développer des approches qui combinent pédagogie, efficacité opérationnelle, utilité et soutenabilité financière ?

    Élaborer et orchestrer des trajectoires lisibles

    Ces défis de société impliquent d’élaborer des visions long-terme et de projeter -au moins temporairement- certains critères de rentabilité à un niveau global au lieu de vouloir forcer l’optimisation de sous-systèmes qui sont interdépendants. Cette approche systémique constitue le socle d’une démarche fondamentalement collaborative.

    La RSE est définit comme « la responsabilité des entreprises vis-à-vis des effets qu’elles exercent sur la société » par la Commission Européenne. Ces évolutions structurelles créent des interfaces entre les entreprises et la société, et placent de fait les dirigeants dans des positions qui les amènent à étendre le champ de leurs responsabilités. Les tendances concourant à la normalisation des indicateurs extra-financiers et l’obligation de reporting vont de fait exposer les pratiques en vigueur au sein des entreprises. Ce cadre porte un fort potentiel d’innovation qui peut permettre d’impulser des initiatives qui permettraient d’agréger des consortiums d’acteurs économiques autour de ces objectifs.

    Pour fixer des objectifs, il convient de s’entendre sur une origine. C’est sur la base de situations de référence calibrées que des évolutions pourront être mesurées, et les trajectoires évaluées. La fusion de données issues de services numériques avec des données statistiques et des données ouvertes doit contribuer à analyser et quantifier les niveaux d’adoption et leur progrès. De même les impacts générés doivent être caractérisés et mesurables à tous les niveaux de la chaîne de valeur : réduction de l’empreinte environnementale, amélioration de la résilience ou de la circularité. Ces notions parfois prosaïques seront converties en indicateurs intelligibles pour chaque contributeur. Pondérer la part de l’individuel et l’action globale du collectif permet de maintenir le sens de la démarche, en impliquant l’ensemble des échelons avec un niveau de responsabilité adapté.

    Promouvoir des modèles coopératifs plutôt que coercitifs

    La transformation numérique des entreprises et des territoires passera aussi par l’émergences de nouvelles méthodes de coopération à fort impact sur leur secteur. Au sein de chaîne de valeur établies ou naissantes, des alliances novatrices peuvent conduire à réviser des modèles figés.

    Passer des changements de comportement à l’échelle implique d’enrôler largement opérateurs, fournisseurs et usagers. Les communautés constituent des viviers d’initiatives, quand cela est pertinent elles doivent pouvoir être soutenues dans leurs besoins d’opérationnalité. Amplifier des phénomènes émergents pour tester et valider leur contribution aux objectifs globaux et identifier les facteurs de réplication doit permettre de tenir compte des spécificités contextuelles. Les réflexions systémiques autour des défis sociétaux doivent pouvoir être déclinées à des échelles réduites.

    L’essor du véhicule électrique constitue un enjeu de décarbonation important et le passage à grande échelle polarise des questionnements autour de la production énergétique en omettant parfois la concrète mise en application. Ainsi en zones urbaines et périurbaines l’électrification ne peut être dissocié d’une nécessaire réduction du nombre de véhicules en circulation, ce point pouvant être satisfait par des services de covoiturage. En complément le coût de possession de ces véhicules et les contraintes liées à la recharge plaident pour la concrétisation de modalités de partage de la ressource, autant infrastructurelle (l’espace publique de circulation et de parking, les points de recharge) que matériel (les véhicules). Les tensions prévisibles sur les usages et la gestion de l’espace publique appellent à la conception d’outils qui permettront de combiner au mieux le développement de nouvelles pratiques avec des politiques de mobilité et des services rentables.

    La création d’outils dédiés à la stimulation de comportements représente un champ à développer, à la convergence du nudging, du marketing et de la conduite du changement. Articulés autour de la notion de preuve d’usage, ils doivent permettre de faire circuler des informations certifiées au sein d’une communauté. Ces outils doivent lever des verrous autour de la gestion de l’identité, et ce afin de pouvoir mettre en œuvre des mesures ciblées aux effets intensifiés. Au cœur de ces dispositifs, la possibilité de paramétrer et piloter des campagnes d’incitation focalisées, quantifiées et ajustables dans la durée. La modulation des mesures en intensité et périmètre fondera l’agilité nécessaire pour catalyser de nouveaux modèles économiques.

     

    Références :

    Ademe : Découvrez l’impact sur le climat des objets et gestes de votre quotidien

    https://impactco2.fr/

     

    TDIE – Engagements climatiques et mobilités : à la recherche du bien commun

    https://tdie.eu/storage/2023/01/Note_CS_TDIE_climat-mob_bien_commun_16_01_2023_V_num.pdf

     

    La responsabilité sociétale des entreprises – Ministère de la Transition Ecologique

    https://www.ecologie.gouv.fr/responsabilite-societale-des-entreprises

     

    « Le reporting extra-financier va devenir une science de la donnée et une industrie de la vérification »

    https://www.lemonde.fr/idees/article/2022/12/05/le-reporting-extra-financier-va-devenir-une-science-de-la-donnee-et-une-industrie-de-la-verification_6153031_3232.html

     

  • Simulation physique augmentée par l’IA : enjeux et démarche de validation

    Simulation physique augmentée par l’IA : enjeux et démarche de validation

    L’utilisation de la simulation numérique dans l’industrie se heurte à plusieurs limites, telles que la difficulté à modéliser certains phénomènes physiques ou bien le coût de calcul qui peut être très élevé. Dans ce contexte, l’Intelligence Artificielle (IA) s’est imposée comme une piste prometteuse pour y faire face et permettre une utilisation plus efficace des simulateurs physiques dans la prise de décision. Dans cet article, nous nous intéressons aux défis associés à la mise en place des simulateurs physiques augmentés par l’IA, et nous discuterons les enjeux liés à leur validation pour un déploiement industriel.

     

    Simulation numérique et apprentissage : une démarche classique de l’hybridation

    La simulation numérique représente aujourd’hui un outil indispensable dans la conception et le pilotage des systèmes physiques complexes, grâce notamment à son coût relativement faible par rapport aux essais réels réalisés directement sur le système à concevoir. Par le passé, de nombreuses applications industrielles ont pu bénéficier des apports de la simulation pour améliorer les performances des systèmes physiques. Cependant, durant les dernières années, les simulations numériques font face à une complexité grandissante des systèmes physiques à modéliser et doivent évoluer afin d’intégrer de plus en plus de disciplines avec des périmètres applicatifs variés. Dans certains cas, les phénomènes physiques peuvent être difficiles à modéliser ou peuvent donner naissance à des modèles numériques demandant un temps de calcul très élevé, ce qui rend difficile le recours à la simulation numérique pour une prise de décision en milieu industriel.

    Pour faire face à ces limites, de nombreux travaux de recherche dans le domaine du calcul scientifique ont proposé des méthodes numériques ad hoc afin d’améliorer le compromis coût/précision des simulations numériques. Ces travaux ont offert à l’industrie plusieurs approches, largement utilisées aujourd’hui, pour faire face au coût de calcul important des simulateurs physiques. Nous pouvons citer les méthodes de réduction de modèles (ROM) et les modèles de substitution (appelés aussi surface de réponse, ou modèles surrogate).

    L’idée de base de ces méthodes repose sur la création d’un modèle appris à partir des données simulées qui se substituera au solveur physique, cher à calculer. Ces techniques restent cependant adaptées à des problèmes physiques relativement simples et mono-disciplinaires et peinent à résoudre des cas plus complexes comme par exemple les problèmes aux grandes dimensions ou les problèmes inverses.

    Simulation numérique et apprentissage profond : la promesse d’une révolution

    Durant les dix dernières années, un engouement particulier a été observé pour l’utilisation de techniques d’apprentissage basées principalement sur des architectures de réseaux de neurones profonds. Les avancées spectaculaires qu’a connu ce type de méthodes dans d’autres domaines applicatifs comme la reconnaissance d’images ou le traitement automatique du langage naturel (NLP) a fortement motivé les chercheurs de la communauté du calcul scientifique à explorer leur potentiel apport dans la simulation physique. Grâce à des architectures complexes de réseaux de neurones, ces méthodes se sont avérées prometteuses avec plusieurs hybridations réussies rapportées dans la littérature. Outre ce gain important et non-négligeable, l’apprentissage profond a aussi permis de faire émerger de nouveaux champs applicatifs qui n’existaient pas auparavant avec les approches classiques d’apprentissage comme les réseaux antagonistes génératifs (GANs) [2], le transfert de connaissances entre deux modèles via les techniques de transfer learning [3], l’apprentissage du processus d’apprentissage lui-même avec les techniques de méta-learning [4], etc.

    La démocratisation de ce type d’approches pour une utilisation industrielle se heurte néanmoins à plusieurs limites parmi lesquelles les deux des plus importantes sont sans conteste le coût de l’obtention des données d’apprentissage et la validation des simulateurs ainsi « augmentés ».

    Le coût de la génération/obtention de données physiques
    Les phénomènes physiques complexes requièrent souvent des réseaux de neurones de très grande taille pour être correctement appréhendés, ce qui nécessite le recours à des volumes de données très importants pour la phase d’apprentissage. Bien que cela soit possible en utilisant des données simulées générées à partir d’un solveur physique, l’utilisation exclusive des données réelles pour entraîner un réseau de neurones profond s’avère aujourd’hui une tâche difficile en raison des quantités limitées d’échantillons disponibles. Il est important de noter que même pour des données simulées, le coût de génération peut représenter un frein pour réaliser un apprentissage de qualité, surtout pour les données précises obtenues avec des simulations physiques fines (comme le 3D par exemple).

    La validation des simulateurs physiques augmentés
    La question de la validation des systèmes prédictifs a toujours été considérée comme un défi important, et cela dès l’apparition des premiers travaux d’intelligence artificielle. En 1950, Alain Turing posa les premières briques d’une démarche pour évaluer la faculté d’une machine à bien imiter le raisonnement humain avec le test dit « de Turing » [1]: « Si un Humain n’est pas capable de dire lors d’une conversation lequel de ses interlocuteurs est un ordinateur, alors on peut considérer que l’ordinateur a passé avec succès le test ».

    Depuis, plusieurs travaux de recherche se sont intéressés à cette question et plusieurs approches et critères ont été proposés dans la littérature, permettant d’aboutir à une démarche plus au moins standardisée aujourd’hui. Cependant, le constat de base en ce qui concerne la modélisation physique  reste clair : il n’existe pas aujourd’hui une approche permettant de valider formellement un résultat issu d’un simulateur physique augmenté par l’IA. Il est à noter que les simulateurs physiques classiques (non-augmentés) bénéficient tout de même d’une démarche de validation avec des critères très largement utilisés comme les bornes d’erreurs ou la vitesse de convergence. Cela ne doit pas pour autant créer un frein pour l’utilisation de l’IA pour hybrider les modèles physiques, car le manque à gagner serait considérable, vu le succès observé dans d’autres domaines.

    Dans le même temps, une autre approche de cette question de validation peut se trouver dans le fait de considérer l’IA comme étant une discipline expérimentale à part entière, comme la biologie par exemple. Dans ce contexte, l’expérimentation, l’étude comparative et surtout la reproductibilité des résultats deviennent les ingrédients de base pour une évaluation efficace des modèles physiques appris, sans toutefois apporter de possibilité de certification, indispensable pour les systèmes critiques.

    Le benchmarking pour valider les simulateurs physiques hybrides

    Compte tenu des challenges décrit dans la section précédente, nous nous sommes focalisés au sein du projet HSA (Hybridation Simulation apprentissage) [5] du programme IA2 (Ingénierie Augmentée et Intelligence Artificielle) [6] sur la problématique de validation expérimentale des simulateurs physiques augmentés. Dans ce cadre, nous avons proposé une méthodologie outillée de benchmarking générique et modulaire pour couvrir les différentes étapes de développement de simulateurs physiques augmentées.

    Cette méthodologie est en cours d’évaluation sur plusieurs cas d’usages industriels du projet HSA, décrivant des domaines physiques hétérogènes et variés (mécanique des solides, mécanique des fluides (CFD), simulation acoustique, simulation électrique, simulation thermique). L’objectif derrière cette démarche est d’obtenir une plateforme consolidée qui permettrait à la communauté du calcul scientifique d’intégrer de nouveaux cas d’usage physique facilement. La méthodologie proposée (illustrée ci-dessous) s’articule autour de trois modules principaux qui représentent aussi les trois étapes principales dans la mise en place d’un simulateurs physique augmenté :

    Méthodologie d'apprentissage des simulateurs physiques augmentés. Illustration avec deux cas d’usage : réseaux électrique et roulage de pneu
    Méthodologie d’apprentissage des simulateurs physiques augmentés. Illustration avec deux cas d’usage : réseaux électrique et roulage de pneu

       1- Gestion de données. Durant cette étape l’utilisateur doit définir l’ensemble des données relatives au phénomène physique étudié. Nous distinguons deux types de données : les données réelles (issues des essais physiques, collectées sur le terrain) et les données simulées générées à partir d’un solveur numérique. Nous devons définir aussi l’ensemble des scénarios physiques que nous souhaitons couvrir durant l’étude en répondant principalement aux questions : quel est le phénomène physique étudié ? quels sont les variables d’entrée ? quelles sont les observables ?
       2- Benchmarking. L’utilisateur sélectionne les scénarios et les ensembles de données concernés par son étude, ainsi que les méthodes d’apprentissage choisies pour entrainer le modèle physique, et qui seront comparées par la suite sur la base des critères d’évaluation. Pour mener à bien la phase d’apprentissage, nous nous interfaçons avec les plateformes déjà disponibles dans l’état de l’art et offrons un choix important en termes d’architectures de réseaux de neurones. Il est à noter que nous pouvons considérer aussi d’autres méthodes d’apprentissage classique et d’autres modélisations physiques pouvant servir de points de repère pour les comparaisons.
       3- Évaluation. Une fois les modèles appris, l’utilisateur doit évaluer les résultats obtenus par les différentes méthodes d’apprentissage. Pour cela nous avons proposé un ensemble de critères définis spécifiquement pour les simulateurs physiques augmentés, tout en prenant en considération les aspects liés au passage à l’échelle en contexte industriel. Ces critères sont regroupés en quatre catégories principales: les critères statistiques liés à l’apprentissage, les critères de généralisation OOD (out of distribution), les critères liés au respect des lois physiques (comme par exemple : loi de conservation de la masse, loi de Joule, loi d’Ohm, etc.), et enfin les critères de maturité pour la mise en œuvre industrielle.

     

    Durant les dernières années, l’hybridation de la simulation physique par les techniques d’IA, et plus précisément par les techniques d’apprentissage profond, s’est installée progressivement comme une piste de recherche prometteuse. L’objectif étant de renforcer davantage le rôle de la simulation numérique en milieu industriel, notamment dans la prise de décision lors des différentes phases de cycle de vie des systèmes physiques complexes. Les premiers travaux menés au sein du projet HSA de l’IRT SystemX se sont attaqués à la problématique de validation des systèmes physiques hybrides et ont permis d’établir une démarche de benchmarking générique qui a été appliquée avec succès sur deux cas d’usage industriels différents. Une attention particulière a été accordée à l’applicabilité des méthodes hybrides en milieu industriel, afin de faciliter leur utilisation pour résoudre des problèmes physiques du monde réel. Les travaux en cours et futurs viseront à élargir le spectre des applications en intégrant de nouveaux cas d’usages industriels, en profitant du cadre collaboratif offert par le projet HSA. Cette démarche permettra de consolider l’approche proposée et d’offrir à la communauté de calcul scientifique un outil qui serait capable d’intégrer facilement de nouvelles applications physiques hybrides.

     

    Références

    [1] Turing, A. M. (2009). Computing machinery and intelligence. In Parsing the turing test (pp. 23-65). Springer, Dordrecht.

    [2] Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., & Bharath, A. A. (2018). Generative adversarial networks: An overview. IEEE signal processing magazine, 35(1), 53-65.

    [3] Zhuang, F., Qi, Z., Duan, K., Xi, D., Zhu, Y., Zhu, H., … & He, Q. (2020). A comprehensive survey on transfer learning. Proceedings of the IEEE, 109(1), 43-76.

    [4] Hospedales, T., Antoniou, A., Micaelli, P., & Storkey, A. (2021). Meta-learning in neural networks: A survey. IEEE transactions on pattern analysis and machine intelligence, 44(9), 5149-5169.

    [5] https://www.irt-systemx.fr/projets/HSA/

    [6] https://www.irt-systemx.fr/programmes-de-recherche/ia2

  • IA de confiance : comment assurer l’adoption de l’IA par l’industrie ?

    IA de confiance : comment assurer l’adoption de l’IA par l’industrie ?

    Depuis son émergence dans les années 1950, l’intelligence artificielle (IA) est en pleine progression, accentuée par le développement de la puissance de calcul informatique disponible et d’Internet au cours des années 2000. Pour autant, malgré ses multiples succès, l’IA peut encore être source d’inquiétude et a de nombreux défis à relever, côté industrie et côté utilisateur, pour être admise de tous. Parmi ces défis, se dressent les verrous relatifs à l’énergie, à la sécurité et à la confidentialité mais aussi à la confiance de ses utilisateurs. Cet article étudiera la question de l’adoption de l’IA dans les systèmes critiques.

     

    Le contexte de l’IA de confiance

    Depuis quelques années, l’IA connaît un regain d’intérêt et gagne en performance. Les technologies d’IA couvrent un champ d’application extrêmement large : dans les domaines de la santé, de la banque, de la finance et de l’assurance, pour les systèmes de recommandation en ligne et bien entendu, celui de l’automobile avec les véhicules autonomes et connectés. Elles donnent aux systèmes dans lesquels elles sont intégrées, la capacité de prendre des décisions de manière autonome et réalisent certaines tâches mieux que les humains, comme c’est le cas depuis quelques années dans le domaine de l’annotation de radiographies ou encore dans celui du traitement automatique du langage.

    Toutefois, les usages de l’IA suscitent des inquiétudes d’ordre éthique, moral et juridique auxquelles des solutions doivent être apportées. De plus, plusieurs défis[1] doivent encore être relevés par l’intelligence artificielle avant la généralisation de son adoption par l’industrie puis par ses utilisateurs. En plus des inquiétudes que l’IA suscite, se dressent des verrous liés à l’énergie, avec la consommation exponentielle nécessaire à l’entrainement de réseaux de neurones de plus en plus complexes ; liés à la sécurité et à la confidentialité, avec la capacité qu’ont certains systèmes d’extraire des informations sensibles d’une base de données d’entrainement ; mais également à la confiance : celle portée par l’utilisateur humain en un système dont le fonctionnement repose, au moins en partie, sur des technologies d’ IA.

    Pour permettre l’adoption de l’IA auprès de ses futurs utilisateurs, les industriels doivent fournir des éléments leur permettant d’avoir confiance en l’IA qu’ils intègrent à leurs systèmes, surtout critiques (i.e. dont les erreurs et les échecs sont susceptibles d’avoir des conséquences importantes), et c’est ce point que nous allons aborder ici.

    Plusieurs organismes tentent de fournir des définitions de ce qu’est la confiance envers les systèmes d’intelligence artificielle. Elle a été le sujet principal du groupe d’experts mobilisés par la Commission Européenne (dont tous les travaux se font dans l’optique « trustworthy AI »). L’organisation internationale de normalisation, ISO, considère une vingtaine de facteurs différents, avec des ramifications.

    La confiance, en particulier envers les artefacts numériques dont l’IA fait partie, est une combinaison de facteurs technologiques et sociologiques :

    • Technologiques, comme la capacité de vérifier la justesse d’une conclusion proposée par une IA, la robustesse à des perturbations, le traitement de l’incertitude, etc.
    • Sociologiques, comme la validation par des pairs, la e-réputation sur les réseaux sociaux, l’attribution d’un label par un tiers de confiance, Les questions d’interaction avec les utilisateurs sont intermédiaires entre ces deux types de facteurs : transparence, explicabilité, qualité des interactions de manière plus générale.

    Les facteurs sociologiques ne sont pas propres à l’IA : dans un réseau de confiance entre humains, la transmission de la confiance ne fait pas nécessairement appel aux facteurs technologiques. Par contre, la base technologique de la confiance en IA est bien spécifique et pose de nombreux défis. On ne sait pas, aujourd’hui, prouver que les conclusions d’un système entraîné par apprentissage sur une base de données sont les bonnes, qu’elles sont robustes à des petites variations, qu’elles ne sont pas entachées de biais, etc. Il existe de nombreux programmes de R&D à ce sujet, dont un des plus importants est l’initiative Confiance.ai centrée sur les systèmes critiques (transport, défense, énergie, industrie), portée par de grands groupes industriels dans le cadre du Grand Défi sur la fiabilisation et la certification de l’IA.  Tant que cette question restera ouverte, le risque pour l’IA de se heurter au mur de la confiance sera majeur. Il le sera encore plus pour les systèmes à risque (au sens de la Commission Européenne dans sa proposition de réglementation de l’IA « AI Act ») et pour les systèmes critiques (au sens du programme Confiance.ai).

    L’adoption de l’IA par l’industrie

    Comme en atteste une étude menée auprès des industriels membres du programme Confiance.ai, il s’avère que si l’intérêt porté sur l’IA et ses promesses est évident, son intégration effective est beaucoup plus timide. Si le manque de méthodes et d’outils est un motif récurrent de la non-adoption de l’IA au-delà de preuves deconcepts ou de prototypes, les préoccupations exprimées désignent avant tout l’absence d’un cadre de conception outillé à la fois fiable et efficace, sur lequel il est possible de s’appuyer et de se référer.

    On entend par « fiable », sa façon de caractériser le système et son comportement, c’est à dire son aptitude à correctement effectuer ses tâches. Fiable également au travers de la justification de cette caractérisation via notamment des attributs de confiance[2], attributs qui permettent de qualifier et de vérifier l’aptitude du système à répondre aux attentes des parties prenantes. Parmi ces attributs on entend :

    • l’explicabilité qui désigne la mesure dans laquelle le comportement d’un modèle ou du système qui l’héberge, peut être rendu compréhensible pour les humains ;
    • l’équité et donc l’impartialité et la justesse des résultats d’inférence ;
    • la robustesse qui qualifie la capacité du système à maintenir une réponse cohérente lorsque les entrées du système sont sujettes à des perturbations,
    • la légalité et donc la conformité du système avec les lois, normes et réglementations en vigueur ;
    • la vérifiabilité ou comment il est possible d’évaluer que les exigences initialement exprimées sont effectivement satisfaites ;
    • la qualité de la donnée, évaluables au travers d’un ensemble de dimensions couvrant des aspects relevant entre autres, mais pas uniquement, de la traçabilité, de la couverture du domaine d’emploi, de la fiabilité ou encore, de la précision ;
    • le maintien en conformité de l’ensemble du système intégrant de l’IA vis-à-vis des spécifications et de ses exigences : la maintenabilité.[3]

    On entend par « efficace », outre sa rentabilité dans le contexte d’une exploitation industrielle et commerciale, la simplicité de son intégration dans les environnements de conception préexistants. En effet, un cadre de conception outillé aussi fiable et rentable soit-il, ne saurait remplacer les environnements et les habitudes de travail historiques des équipes d’ingénierie si l’état de transition implique des efforts trop conséquents.

    Un accompagnement vers l’IA de confiance

    C’est à cet ensemble de besoins que l’Environnement de Confiance, finalité du programme Confiance.ai, se propose de répondre, de bout en bout : de la spécification de la problématique jusqu’au maintien en conditions opérationnelles du système intégrant de l’IA. Cela implique de fait, le contrôle de son comportement et, le cas échéant, la mise à jour de ses composants.

    L’instanciation de l’Environnement de Confiance se présente sous la forme d’une chaine outillée modulaire et interopérable :

    • modulaire car destinée à couvrir et à atteindre des attributs de confiance différents selon le cas d’usage formulé et dont la variabilité ne saurait être abordée par un simple et unique ensemble d’outils, ce qui répond à la question de la fiabilité,
    • interopérable afin d’en assurer l’intégration progressive dans les ateliers et les environnements de conception existants. Interopérabilité qui se matérialise d’une part par la compatibilité de la chaine outillée avec les outils de conception utilisés dans les environnements et d’autre part par l’agnosticisme de l’environnement d’exécution sous-jacent vis-à-vis des infrastructures susceptibles de l’héberger. Ainsi, la démarche adoptée envisage non pas de transformer les environnements existants mais au contraire, de s’appuyer dessus afin de la compléter le plus simplement possible.

    Outre cette chaîne outillée, un ensemble de méthodes et de guides de conception complètent l’Environnement de Confiance : ils sont à disposition des utilisateurs, quels que soient leurs rôles et sont destinés à les accompagner tout du long du processus de réalisation d’un système à base d’IA de confiance. Si cette approche leur permet d’appréhender eux-mêmes l’identification et la définition des attributs de confiance propres à leur système, elle représente un travail conséquent, susceptible de ralentir l’adoption du cadre de conception. En l’occurrence, la simplification de cette étape est envisageable au moyen d’un outil propre à l’environnement et dédié à cette étape préliminaire de spécification des attributs de confiance.

    Une interface de l’Environnement de Confiance
    Une interface de l’Environnement de Confiance

    Instanciation des méthodes et guides réalisés au sein du programme Confiance.ai, cet outil utilise comme éléments d’entrées la formalisation du cas d’usage : les exigences fonctionnelles et non fonctionnelles, l’identification et la sélection des contraintes réglementaires et normatives, ou encore la couverture opérationnelle qui précise les bornes dans lesquels le système est supposé fonctionner. Une fois ces informations spécifiées, il devient possible, au moyen d’un cadre d’analyse dédié à la conception d’IA de confiance et spécifiquement réalisé dans le cadre du programme[4], de générer d’une part une stratégie de vérification et de validation (V&V) en adéquation avec les exigences système : criticité, risque, coût, etc., d’autre part une stratégie d’activités d’ingénierie permettant de concevoir un composant d’IA en phase avec ces exigences. Cette approche permet non seulement la définition des attributs et propriétés attendues par le système mais également de tracer leurs relations avec les activités d’ingénierie qui permettent de prouver qu’elles sont atteintes. En plus d’offrir de la visibilité sur les raisons qui justifient ces attributs et la façon de les obtenir, cet approche intègre la possibilité pour les utilisateurs d’intervenir sur le résultat de ces recommandations, qu’il s’agisse de la nature même des propriétés retenues ou de leur valeur. Si cette liberté est nécessaire du fait des marges d’incertitude qui surviennent parfois lors des phases de spécification, elle est justifiée car l’environnement de confiance n’a pas vocation à être omniscient : il pose des recommandations qui orientent et simplifient la pose du cadre de conception mais n’a pas un rôle prescriptif et seul l’expert doit avoir le contrôle.

     

    C’est ainsi que le programme Confiance.ai se propose d’adresser la problématique de la confiance en l’IA en adoptant une attitude plus nuancée assurant l’adjonction progressive de l’IA dans les processus d’ingénierie existants sans chercher à bouleverser des concepts et des méthodes appliqués depuis des décennies. De premiers déploiements de l’Environnement de Confiance ont ainsi déjà lieu. En effet, disposer au plus tôt du retour d’expérience des partenaires industriels et de leurs équipes d’ingénierie s’inscrit dans la démarche du programme qui se doit d’éviter un effet tunnel aux conséquences potentiellement désastreuses si l’écart entre les contraintes industrielles et les éléments livrés se révélait trop importants. Si une évolution continue est mise à disposition des partenaires du programme, chaque fin d’année marque la livraison d’une nouvelle version qui vient répondre aux objectifs fixés douze mois plus tôt.

    [1] The wall of safety for AI: approaches in the Confiance.ai program

    [2] Engineering dependable AI Systems

    [3] Machine Learning in Certified Systems White Paper Machine Learning in Certified Systems – Archive ouverte HAL (archives-ouvertes.fr)

    [4] À noter que la mesure de la confiance envers les systèmes d’IA – et donc la liste des attributs y contribuant – fait actuellement l’objet d’un travail important non seulement au sein du programme Confiance.ai, mais aussi dans le cadre des activités de normalisation de l’IA associées à la proposition de réglementation européenne sur l’IA.

     

  • Améliorer la production du secteur agricole avec les nouvelles solutions technologiques

    Améliorer la production du secteur agricole avec les nouvelles solutions technologiques

    L’industrie du numérique apporte des solutions qui peuvent aider à répondre aux enjeux environnementaux et alimentaires qui évoluent, auxquels est confronté l’ensemble des acteurs des filières agricoles et agro-alimentaires, y compris pour la production de l’alimentation humaine et animale. Cet article donne un aperçu sur l’apport du numérique sur certains aspects de la chaîne de valeur de la fourche à la fourchette (« farm to fork »), en particulier dans le secteur agricole.

    L’histoire de l’agriculture ne s’est pas faite sans à-coup. Loin d’être linéaire, elle est héritière d’une succession de révolutions. Nous pouvons citer deux révolutions de ruptures majeures :

    • Dans la période des -6000 ans en Europe, la révolution du Néolithique a permis la sédentarisation, au travers de l’introduction de l’agriculture et de l’élevage [1], ce qui a servi de tremplin à une explosion de la démographie.
    • Suite à la seconde guerre mondiale, l’État français a impulsé une révolution permettant, notamment, grâce à la mécanisation, de pouvoir subvenir aux besoins d’une population en très forte croissance : cela a permis une production de masse, forte en volume et faible en coût, et de rétablir une certaine souveraineté alimentaire [2].

    Aujourd’hui, la situation de notre production alimentaire doit soutenir un nouvel équilibre sous contraintes économiques et écologiques entre une production en quantité et une production de qualité :

    1- Une production en quantité :
    La croissance toujours soutenue de notre population nécessite le maintien des productions alimentaires de masse. En conséquence, nous devons répondre à des exigences de performances productives, tout en maintenant la compétitivité, et en profitant au mieux des innovations technologiques et organisationnelles [3, 4] :

    • Pression démographique : il faut nourrir une population grandissante. D’ici 2050, les projections indiquent que la population mondiale aura augmentée de 24 % [5].
    • Pression de marché : l’agriculture doit aussi être compétitive face à des marchés qui favorisent souvent des productions en provenance de pays tiers, non soumises aux mêmes conditions et contraintes telles que : sociales, économiques, environnementales de développement des productions (OGM [6], déforestation, emploi de produits phytosanitaires non autorisés en Europe [7], etc.).
    • Pression de volume : tout en ayant des surfaces cultivées parfois difficilement extensibles [8], voire réduites par l’augmentation de l’artificialisation des sols, des augmentations de volumes produits peuvent plafonner. Du moins, c’est ce que pointent certains analystes sur le territoire français [9].

    2- Une production de qualité :
    Le consommateur est aujourd’hui plus sensible à la qualité du produit qu’il achète et consomme. Il devient de plus en plus exigeant par rapport aux saveurs qui lui sont proposées (le goût), et dans le même temps accroît son exigence quant à sa sécurité alimentaire. Une importance toujours grandissante est apportée aux exigences de traçabilité du producteur au consommateur [10]. Nous pouvons citer d’autres attentes sociétales, qui participent au respect de l’environnement : l’accès à la traçabilité des aliments, la réduction de l’usage des pesticides et des pratiques concourant aux émissions de gaz à effet de serre1, objectif soutenu par des actions européennes [11], la réduction des émissions polluantes [12], l’encouragement de la biodiversité2 [13] et de la préservation des sols3, ou encore la garantie de l’accès à une eau non polluée [14, 15].

    Comme nous venons de l’expliciter, l’ensemble des acteurs du monde agricole (agriculteurs, coopératives, semenciers, instituts techniques, Chambres d’Agriculture, etc.) cherchent à répondre à ces contraintes de quantité et de qualité du marché. Mais dans le même temps, ils doivent tout d’abord dégager une marge suffisante afin de pouvoir sécuriser durablement leur production et le paiement de leurs charges (personnel, fonctionnement, administration, taxes, etc.).

    Cette production alimentaire montre une exposition au risque sous diverses formes, et entre autres à celle de la variabilité climatique4. Les risques climatiques sont récurrents, voire amplifiés localement. Nous sommes touchés par exemple par des chaleurs précoces et un déficit en eau [16]. Plus généralement, depuis plusieurs années, le secteur agricole a été de plus en plus impacté par des événements climatiques extrêmes [17, 18] : gelées de printemps, grêle, pluies sévères, inondations, sécheresses, provoquées entre autres par le changement climatique ; et qui ont entraîné une baisse des rendements en Europe. Ces risques ne compensent pas la durée de la saison de croissance en France qui devrait s’allonger [19].

    Est-ce que le monde agricole arrive à ce jour à diminuer l’exposition et l’impact de ces risques ?

    Différents moyens technologiques et organisationnels permettent aujourd’hui d’adresser ces problématiques. Nous pouvons citer entre autres technologies utiles, celles que nous jugeons nécessaire et prometteuses à ces domaines, que nous utilisons et développons :

    • L’IoT (Internet des objets) : il s’agit de capteurs, sondes et objets connectées à un réseau local ou au réseau internet.

    Dans le contexte qui nous intéresse, ces capteurs sont situés dans les parcelles agricoles pour, par exemple, piloter en temps réel et avec précision un système d’arrosage automatique. Ils peuvent également servir à mesurer les paramètres météorologiques de l’air, des niveaux d’azote, de phosphore et de potassium (NPK) dans les sols. En élevage, des sondes reliées par IoT peuvent également être utilisées pour prévenir lors des vêlages et surveiller les constantes vitales des animaux.
    La limite de déploiement de ces équipements est souvent associée au prix des capteurs pour l’IoT.
    En résumé, l’usage de ces objets communicants (IoT) fait gagner un temps considérable à son exploitant et permet de piloter en continu (et parfois même depuis un smartphone) son exploitation et d’optimiser ses productions tout en augmentant ses marges.

    • L’Intelligence Artificielle (IA) : il s’agit d’exploitation de modèles numériques à base de systèmes experts ou de systèmes connexionnistes imitants les ramifications des neurones humains et permettant des calculs en masse, très performants.

    Ces modèles commencent à être utilisés dans de nombreuses applications dans le secteur de l’agriculture. Cette technologie peut être utilisée par des quadrillages de drones aériens recueillant des images locales pour détecter précocement des maladies dans les cultures (les modèles IA auront appris à reconnaitre certaines formes de maladies du blé par exemple la septoriose du blé [20]).
    Des limites associées à ces modèles d’IA sont notamment la puissance de calcul et la consommation énergétique.
    En résumé, l’IA peut servir de base de connaissance à l’exploitant pour anticiper la gestion de ses parcelles, limiter et optimiser les apports d’intrants (produits phytosanitaires, fertilisants, eau), lui faire gagner du temps et réduire ses dépenses.

    Ces technologies fonctionnent de façon optimale avec un nombre important de données cohérentes et de qualité. Concernant les données, nous pouvons citer les données issues des images satellites : il s’agit d’images récoltées par des satellites couvrant certaines zones sur Terre à intervalle de temps régulier. Les images brutes sont interprétées pour délivrer différents types d’information locales (post-traitement).

    Les images satellites sont de plus en plus accessibles à tous, notamment via le programme COPERNICUS5. Pour donner un exemple concret, ce programme permet d’accéder à un indice permettant de quantifier le taux d’humidité dans les premiers centimètres de la couche des sols.

    Les limites associées à ce type de données peuvent être le coût (achat des données avec une très forte résolution spatiale -quelques mètres, coût en calcul pour interpréter les données), la connaissance (comment bien exploiter ces données pour éviter les mauvaises interprétations ?), l’accessibilité, la couverture géographique (est-ce qu’un nuage ne va pas cacher l’information recherchée sur ma parcelle #p et au temps t1 ?).

    En résumé, l’accès à des données satellitaires post-traitées, de qualité et périodique est très recherché pour un exploitant qui souhaite avoir un suivi régulier de l’ensemble de ses parcelles.

    Les couplages entre les technologies citées et les sources de données sont possibles et permettent d’enrichir la connaissance et de répondre à d’autres problématiques de terrain. Prenons l’exemple des drones ci-dessus. Les données d’imagerie géoréférencées par drones peuvent être complétées :

    • sur des périmètres plus larges mais avec des fréquences plus faibles par de l’imagerie satellitaire,
    • par des images acquises par des capteurs de proximité embarqués sur des automoteurs (tracteurs ou robots) et leurs matériels associés lors des interventions dans les parcelles ainsi que lors de phases d’observations piétonnes des agriculteurs,
    • Par des données collectées via des réseaux de capteurs communicants relevant du chapitre de l’IoT.

    Coupler des données de différentes natures et issues de technologies complémentaires, permet de couvrir tous les endroits des parcelles recherchées aux instants recherchés et ainsi de répondre à la problématique mais aussi de vérifier la cohérence des différentes données6.

    Un autre exemple : affiner les informations issues des images des drones (échelle très locale) aux images satellites (échelle parcellaire), et coupler le résultat avec des prévisions météorologiques, permet d’estimer le bilan hydrique et ainsi de prévoir en conséquence l’irrigation des cultures [21].

    Sachant que le nombre de « petites » exploitations n’est pas négligeable en France7, il s’agit de permettre l’accessibilité, l’usage de données adéquates et l’utilisation de technologies correspondantes.

    L’usage des nouvelles technologies va permettre d’initier une approche systémique qui s’appuiera sur la modélisation du secteur. L’hybridation de données massives et l’usage de l’IA vont permettre l’émergence de nouvelles solutions, plus écologiques, plus résilientes, plus sûres (traçabilité), plus sociales (locales), plus responsables et plus rentables (revenus des agriculteurs/éleveurs). Bien que l’effort ait été largement initié sur la dernière décennie, il reste encore de grandes marges d’évolution et d’application de ces technologies. Des efforts d’innovation et de formation auprès des différents acteurs de ce domaine sont encore nécessaires afin de pleinement profiter de leurs atouts. Le champ d’investigation est vaste et il nous appartient d’œuvrer à une agriculture numérique raisonnée.

    Jusqu’à présent, les politiques agricoles ont été relativement modestes vis-à-vis des enjeux climatiques mais un changement majeur est amorcé et les agriculteurs vont jouer un rôle essentiel dans la lutte contre le dérèglement climatique.

    Conséquence de la mondialisation, de nombreuses cultures ont été exportées hors de France ou d’Europe et les récentes crises ont mis en évidence des problèmes de résilience. La répercussion sur le prix des matières premières, des engrais et des semences touche toute la chaîne jusqu’au consommateur. La route de la « fourche à la fourchette » n’est pas un long fleuve tranquille…

    Les sols, source de vie 

    Pas de culture sans sol … il faut entre 1 000 et 10 000 ans pour constituer un sol, il est donc nécessaire d’en prendre soin. C’est pourquoi l’IRT SystemX lance un grand projet, intitulé Jumeau Numérique des Sols (JNS), dont l’objectif est de mettre les outils informatiques au service des sols et des cultures et surtout des agriculteurs. Ce projet apportera à la filière agricole les outils permettant d’appréhender dès aujourd’hui, l’agriculture de demain et d’apporter au bon sens paysan un éclairage plus précis permettant d’anticiper les crises et d’optimiser les rendements tout en prenant en compte les enjeux environnementaux et sanitaires. SystemX pourra apporter son expertise en ingénierie des systèmes complexes connectés, en hybridation de données multisources et IA pour apporter de nouveaux services à la filière agricole. Nos expertises en calcul scientifique et optimisation permettront à la composition d’un support de type jumeau numérique pour l’aide à la décision des differentes parties prenantes.

    Ce projet ne s’inscrit pas en rupture, bien au contraire il va faire le bilan de l’existant pour apporter une vue systémique et orientée cas d’usage. Ce projet est un accélérateur qui a pour vocation de fédérer les centres de recherche autour de la transformation numérique de l’agriculture et de servir l’intérêt général.

    C’est cette accélération qui va permettre de moderniser l’agriculture en apportant cette ultra précision indispensable à la gestion de l’eau et de la terre. C’est elle qui va apporter les bras manquants avec une mécanisation de haute précision. C’est encore elle qui va permettre la gestion du carbone dans les sols et la gestion des énergies produites. C’est elle qui va permettre l’évolution du secteur assurantiel et c’est toujours elle qui va apporter les réponses qualitatives aux consommateurs.

    Toutes ces technologies (IA, blockchain, cybersécurité, etc.) sont maîtrisées sur des sujets industriels, il s’agit maintenant d’en faire profiter les agriculteurs.

     

    1 Les émissions liées au secteur agricole représentent 19 % de ces émissions en France, soit 85 MteqCO2 (chiffres de 2019). Alors que le CO2compose 74 % des GES mondiaux, les principaux GES émis par le secteur agricole sont le méthane (CH4) et le protoxyde d’azote (N2O) qui représentent respectivement 45 % et 42%  des émissions agricoles [FR1].

    2 Les sols abritent ¼ de toutes les espèces vivant sur Terre. L’appauvrissement des sols pèsent et menacent cette biodiversité.

    3 Initiative internationale pour le stockage du carbone dans les sols – https://www.4p1000.org/fr

    4 La proportion dédiée à l’agriculture est limitée. Sur Terre, la moitié des terres immergées est utilisée pour l’agriculture, et ¼ de cette proportion est utilisée pour les cultures et le reste pour l’élevage [FAO1]. Les terres cultivées sont inégalement réparties en fonction des continents et des pays. Ici, nous nous focalisons sur Europe, où 40 % des terres sont utilisées à des fins d’agriculture [EUROSTAT].

    5 https://www.copernicus.eu/fr

    6 https://www.usinenouvelle.com/article/salon-de-l-agriculture-farmstar-couple-drones-et-satellites-pour-l-agriculture-de-precision.N1838342

    7 Cf. Recensement agricole 2020 AGRESTE, n°5, Déc.2021 ; www.agreste.agriculture.gouv.fr

  • Comment renforcer la puissance générative d’un écosystème scientifique et industriel ? Le cas de l’IRT SystemX, un « RTO à double impact »

    Comment renforcer la puissance générative d’un écosystème scientifique et industriel ? Le cas de l’IRT SystemX, un « RTO à double impact »

    Pourquoi peut-on qualifier l’IRT SystemX de RTO à « double impact » ? Qu’entend-on par « double impact » ? La Direction Scientifique de l’IRT SystemX a initié en 2021 un projet dans le cadre d’une collaboration avec le Centre de Gestion Scientifique (Mines Paris-PSL) afin de répondre à cette question. L’objectif de celui-ci est de caractériser la nature des relations science-industrie organisées et animées par SystemX au sein de son écosystème de partenaires académiques et industriels, et plus précisément de tester l’hypothèse selon laquelle SystemX conduirait, avec ses partenaires, des activités de « recherche à double impact simultané » (Le Masson, 2020 ; Plantec, 2021) dans lesquelles science et industrie, confrontées à des transformations contemporaines comme la transition numérique, génèrent conjointement des avancées scientifiques et des avancées industrielles. Ces investigations ont donné lieu à une première publication (Gilain et al., 2022) qui révèle et analyse les bonnes propriétés de SystemX, en tant que « RTO à double impact ».

    Dans le cadre de ce projet amont, le rôle de SystemX dans son écosystème a été analysé en mobilisant la notion de Research and Technology Organization (RTO). En effet, les RTOs (citons par exemple le réseau des instituts Fraunhoffer en Allemagne, le SISIR à Singapour, l’AIT en Autriche Vienne, VTT en Finlande, etc.) sont des composantes majeures des systèmes d’innovation nationaux dont le rôle s’apparente à celui des IRT : agissant à la frontière entre le monde académique et l’industrie (Arnold et al., 1998), les RTOs ont pour mission de fournir des services de R&D (recherche et développement) aux partenaires industriels, possiblement avec l’appui de partenaires académiques, tout en réalisant des projets de recherche conjoints avec les académiques.

    La littérature sur les organisations technologiques montre l’existence de trois étapes dans l’évolution d’un RTO. Ces étapes sont souvent considérées comme des phases successives du cycle de développement d’une telle organisation (Aström et al., 2008) :

    • Recherche exploratoire pour développer des capacités technologiques nouvelles et les compétences afférentes.
    • Exploitation de la connaissance créée précédemment au travers des collaborations avec les industriels et de façon non-standardisée.
    • Valorisation de la connaissance de façon standardisée via des activités de consulting, transfert de PI ou licences, développement des formations professionnelles, création de spin-off, etc.

    En partant de ces activités, il est possible de formuler quatre modèles d’action afin d’appréhender plus en détail la nature du couplage science – industrie (ou le « double impact ») des RTO. Le tableau ci-dessous apporte une analyse détaillée de ces quatre modèles.

    Tableau 1. Quatre modèles d’action des organisations de recherche technologique

    Modèle Enjeux managériaux Niveau des inconnus Impact scientifique et/ou technologique
    0 – Intermédiation active avec un seul partenaire Intermédiation active avec un seul partenaire industriel ·  Problème industriel :connu et bien formulé

    ·  Discipline scientifique : connue

    		 Résolution du problème technologique singulier d’un acteur industriel, en mobilisant des disciplines scientifiques existantes (et possiblement avec le soutien d’un (de) partenaire(s) académique(s))
    1 – Intermédiation active dans un environnement multi-acteurs Intermédiation active dans un environnement multi-acteurs industriels ·  Problème industriel : nécessite la formulation d’un problème commun

    ·  Discipline scientifique : connue

    		 Résolution du problème de plusieurs partenaires industriels (multi filières-industrielles), en mobilisant des disciplines scientifiques existantes (et possiblement avec le soutien d’un (de) partenaire(s) académique(s))
    2 – Exploration de nouveaux champs disciplinaires Exploration de champs disciplinaires nouveaux avec un partenaire industriel ·  Problème industriel : connu et formulé

    ·  Discipline scientifique : inconnue

    		 Impact académique nécessitant la reconfiguration de disciplines existantes.

    Impact industriel sur des objets/ équipes qui nécessitent un renouvellement
    3 – Exploration des doubles inconnus Exploration de champs disciplinaires nouveaux avec des partenaires industriels multiples = exploration de doubles inconnus ·  Double inconnu : problème industriel et champs disciplinaire Impact académique : mise en place de nouvelles disciplines ou la reconfiguration de disciplines existantes

    Impact industriel sur des objets / équipes qui nécessitent un renouvellement

    Selon la littérature, les RTOs explorant avec succès des doubles inconnus (modèle 3 correspondant aux RTOs à double impact) sont rares, la plupart d’entre eux se heurtant aux doubles contraintes que science et industrie peuvent exercer l’une sur l’autre.

    Le projet prenant l’IRT SystemX comme objet d’étude ouvre la perspective prometteuse de modéliser, d’analyser voire d’expérimenter, les conditions pour qu’un RTO puisse produire un double impact synergique dans un contexte multi-filières industrielles et multi-disciplines académiques.

    Quel modèle d’action a été mis en œuvre par SystemX ?

    Sur la base des entretiens réalisés avec les collaborateurs de SystemX, de l’analyse des documents décrivant le fonctionnement de l’institut ainsi que d’une observation empirique de 20 projets de R&D terminés, on constate que SystemX a progressivement mis en place un modèle d’action relevant de la recherche à double impact simultané au travers de trois phases :

    • Phase 1, atteinte du modèle d’action 1: intermédiation active dans un environnement historiquement mono-acteur, puis multi-acteurs ;
    • Phase 2, atteinte du modèle d’action 2: exploration de nouveaux champs disciplinaires avec l’évolution du profil de compétences des collaborateurs de SystemX ;
    • Phase 3, atteinte du modèle d’action 3 : articulation simultanée des modèles précédents.

    Depuis sa création jusqu’à 2016, SystemX a déployé le modèle d’action 1 (offre « Improve » de SystemX) dans une première phase dite de « montée en puissance », pour évoluer ensuite vers le modèle d’action 3 (offre « Improve » complétée d’une offre « Advance » de SystemX). La première phase a permis de consolider quelques aspects clés comme l’identification de partenaires industriels et la création d’un réseau de partenaires académiques apportant des connaissances dans des domaines pertinents.

    Durant la deuxième phase et avec la croissance des compétences de SystemX, le déploiement des projets de R&D du type modèle 2 (Offre « Advance » de SystemX) ont permis de développer la capacité de structuration de feuilles de route technologiques et d’orientation des disciplines à mobiliser au cours d’un projet.

    La troisième phase est caractérisée par des articulations entre le modèle 3 et les trois autres modèles d’action. Comme illustré dans la Figure 1, trois catégories d’articulation entre les modèles sont à distinguer :

    • Renforcement continu des compétences scientifiques, une articulation du modèle 3 (exploration des doubles inconnus) au modèle 2
    • Développement d’une offre davantage orientée vers la sphère économique au travers d’une articulation du modèle 3 au modèle 0, grâce aux activités de valorisation, notamment de la propriété intellectuelle, et également de prestations de service de recherche technologique de courte durée (offre « Boost » de SystemX)
    • Exploration scientifique à la suite de la réalisation des projets selon le modèle 3 et en initiant de nouveaux projets du type modèle 1, qui constituent une suite logique d’un projet modèle 3 au niveau des cas d’usage, auxquels les mêmes partenaires industriels pourraient potentiellement participer.

    Une articulation originale de quatre modèles d’action de SystemX

    L’étude de ces trois phases d’évolution, résumée ci-dessus, montre que le mode de fonctionnement de SystemX consiste en une combinaison originale de quatre modèles d’action des RTO.

    Quels mécanismes, processus et conditions permettent à SystemX de structurer les inconnus et de générer ainsi un double impact ?

    L’analyse d’un premier projet de SystemX (le projet Agilité Marges de Conception – AMC) avec le formalisme de la théorie C-K (Le Masson 2006) a permis de capturer les mécanismes par lesquels SystemX rend explicite les inconnus sur lesquels chaque partenaire du projet veut avancer, puis aide a progressivement concevoir et construire des inconnus partiellement partagés. SystemX a ainsi développé une capacité à formuler des verrous communs à plusieurs partenaires, ou encore une capacité à faire émerger des questions scientifiques originales, mais aussi les modèles et les instruments nouveaux permettant de les aborder, autrement dit faire émerger des corpus disciplinaires nouveaux.

    L’étude « IRT SystemX : un RTO à double impact ? » a ainsi rendu visible des formes originales d’activité à la frontière entre la science et l’industrie, progressivement mises au point par l’IRT SystemX depuis sa création, et centrales au processus de production d’un double impact.

    Alors que les transitions contemporaines (numériques, climatiques, énergétiques,…) confrontent autant les industries que les sciences à des inconnus nombreux, et alors que face à ces inconnus, l’asservissement mutuel entre science et industrie est un risque, savoir bien organiser une recherche à double impact synergique est un enjeu majeur. Il apparaît particulièrement intéressant de développer et d’amplifier les modèles de RTO à double impact comme celui de SystemX. Cela passe sans doute par la diffusion des outils de pilotage des activités qui sous-tendent le double impact (i.e. une « ingénierie du double impact »). Et cela consiste aussi à développer de nouvelles formes de valorisation, auprès des partenaires scientifiques et industriels actuels ou potentiels, des connaissances produites par les projets.

    Références :

    Arnold, E., Rush, H., Bessant, J., & Hobday, M. (1998). Strategic planning in research and technology institutes. R&D Management, 28(2), 89-100.

    Aström, T., Eriksson, M. L., & Arnold, E. (2008). International comparison of five institute systems. Denmark: Forsknings-og Innovationsstyrelsen, Copenhagen.

    Gilain, A., Le Masson, P., Weil, B., Jibet, N., Aknin, P., Bekhradi, A., Labrogère, P. (2022). Strengthening the generative power of a scientific and industrial ecosystem: the case of the SystemX Institute for Technological Research (IRT), a « double impact Research and Technology Organization (RTO) ». EURAM Conference, June 2022, Zürich, Switzerland. hal-03686580

    Le Masson, P. (2020). Quels modèles pour une recherche à double impact ?. Histoires de Science et Entreprise – Modèles et pratiques de couplage entre science et industrie pour favoriser l’impact de la recherche. hal-03042506.

    Plantec, Q. (2021). Couplages science – industrie à double impact : modélisation et tests empiriques. Thèse de doctorat.

    Le Masson, P., Weil, B., et Hatchuel, A. (2006), Les processus d’innovation : conception innovante et croissance des entreprises, Stratégie et Management, Hermes Science, Paris, Lavoisier.

  • Transition numérique des mobilités et de la logistique : quel rôle pour les territoires ?

    Transition numérique des mobilités et de la logistique : quel rôle pour les territoires ?

    Le chantier de la transformation numérique des transports pourrait sembler clôt, il n’a atteint qu’une phase intermédiaire. Cette étape aura vu émerger un ensemble de mutations technologiques qui ont concrètement marqué le secteur. Les autorités organisatrices de la mobilité doivent maintenant s’appuyer sur de nouveaux outils, notamment d’aide à la décision, leur permettant de créer les conditions d’une mutation efficace des pratiques.

     

    Un premier chapitre de digitalisation structurelle

    Durant les quinze dernières années, les territoires auront assimilé une série de mutations liées à l’essor des technologies numériques au sein des secteurs mobilité et logistique : calculs d’itinéraires multimodaux, émergence d’opérateurs tiers, création d’offres en libre-service, intégration des services dans les smartphones, crowdsourcing, billettique interopérable, essor du e-commerce et des livraisons à domicile.

    Localement, nombre d’évolutions sont subies, telles que la réduction de la demande (et des recettes) suite aux épisodes sanitaires et au développement du télétravail, ou la plateformisation des services. La multiplicité des offres et des opérateurs privés a contribué à sensibiliser les usagers et accroître leur niveau d’exigence sur l’information, la tarification et globalement la notion de qualité de service.

    Les collectivités ont historiquement mis en œuvre un ensemble de stratégies d’aménagement du territoire qui tendent à complexifier les schémas de mobilité. Ainsi l’étalement urbain contribue à diffuser la demande, alors que les articulations entre modes individuels et collectifs ont souvent été négligées, et que les modèles contractuels en vigueur sont difficilement synchronisables avec les évolutions du marché. De même la résilience des infrastructures ne peut être négligée face à la dynamique des services numériques.

    Le contexte est néanmoins encourageant et stimulant pour relever de nouveaux défis. Les agendas politiques devraient s’aligner avec la montée d’une conscience collective appelant à des pratiques plus éco-responsables. L’évolution du mix énergétique pour les mobilités se concrétise pendant que l’écosystème s’étend autour d’acteurs et de propositions de valeur alternatives. Articulé autour de briques technologiques numériques, l’ensemble de ces contributions doit pouvoir être coordonné et projeté pour transformer le secteur et notamment les usages.

    Une nouvelle transformation numérique opérationnelle

    Les mobilités et la logistique sont les composantes d’une économie de marché. Elles sont qualifiées en termes de niveau de service, de coût, mais aussi au regard de leur taux de pénétration et de leur contribution environnementale.

    Les challenges auxquels font face les territoires sur ce champ croisent plusieurs objectifs et moyens. La décarbonation est le défi sociétal transverse qui servira d’étalon pour définir les objectifs et mesurer les progressions. Cette notion doit être quantifiée, pondérée et d’une certaine façon instrumentée pour supporter l’analyse des trajectoires. Les capacités d’observation des systèmes de mobilité doivent être étendus pour approfondir leur étude, consolider une vision réellement multimodale des pratiques et intégrer la logistique.

    L’optimisation est une démarche de rationalisation qui contribue à la sobriété. Pour engager plutôt que contraindre -par exemple dans la réduction de la part modale des véhicules individuels- il faut pouvoir identifier des potentialités, et les exploiter. Massifier les flux de personnes et de biens est un enjeu considérable, notamment à infrastructure constante. Les alternatives aux pratiques actuelles doivent être crédibles, aussi bien fonctionnellement qu’économiquement.

    Enfin, la digitalisation représente un ensemble de moyens permettant d’augmenter les capacités, mais aussi d’engager plus largement autour d’une même démarche les opérateurs, fournisseurs, usagers et  clients. Ce potentiel d’agrégation est combiné à une capacité de ciblage. Différencier les pratiques et  les usagers doit permettre de mettre en œuvre des stratégies mieux adaptées aux effets de leviers plus importants. De plus, certaines perspectives méritent d’être remises en lumière, ainsi le déploiement commercial des véhicules individuels connectés ouvre un champ de valorisation très prometteur.

    Après une phase de foisonnement d’usages, de technologies, et la consolidation d’un secteur, le second temps de la digitalisation devra être celui de la stratégie. Les collectivités et l’État devront engager opérateurs, fournisseurs de services et citoyens autour de démarches claires, objectivées et mesurables. Ce temps d’action permettra d’aligner enjeux collectifs et perspectives individuelles. En ce sens le MaaS (Mobility as a Service) vise à optimiser l’interconnexion des services et constitue une brique de la démarche. Pour tirer parti de ce potentiel technique il faut l’adosser à des capacités d’analyse et d’aide à la décision qui incarnent l’étendue des systèmes de mobilité et de logistiques actuels.

    Des outils d’aide à la décision et des verrous technologiques

    La digitalisation des mobilités a imposé un contexte plus protéiforme, plus intriqué et plus complexe, au sein duquel les collectivités doivent ajuster leurs modalités d’intervention. Embrasser cette complexité sans la minorer et éclairer chaque étape des processus de pilotage contribueront à valider la cohérence et l’acceptabilité des futures orientations politiques.

    Ces objectifs représentent une série de missions territoriales dont la mise en œuvre courante doit être dépassée pour répondre aux enjeux de décarbonation, d’optimisation de l’existant et de maîtrise des coûts. Il existe cependant une corrélation entre ces actions et un ensemble de verrous scientifiques et techniques, qui font l’objet de travaux au sein de l’IRT SystemX :

    • Étendre la connaissance des pratiques de logistique et de mobilité passera par l’intégration de données d’exploitation et/ou de véhicules connectés. Ces contenus sensibles -au titre de l’activité économique ou du RGPD- ne pourront être hébergés et anonymisés que dans des environnements de confiance qui permettront aux producteurs privés de dégager une valeur ajoutée suite à leur contribution.
    • Explorer des scénarios aux variables multiples, évaluer différents paramètres pour comprendre le champ des possibles et identifier les trajectoires souhaitables requiert des outils de modélisation avancés. Ces outils sont parfois opérationnels pour la recherche, ils devront être démocratisés pour supporter des usages industriels.
    • La planification des infrastructures et des services de mobilité doit être abordée à des échelles qui dépassent souvent celle de l’autorité organisatrice de la mobilité (AOM) en charge. Décarbonées, les mobilités requièrent aussi une orchestration avec les réseaux d’alimentation en énergies. Les plateformes de simulation devront être augmentées pour supporter les approches multi-échelles.
    • L’évolution des pratiques à grande échelle passera par la conduite du changement en complément de dispositifs réglementaires ou coercitifs. Le ciblage des usages et la mise en œuvre de stratégies d’incitation susceptibles de générer des effets de levier importants permettront aux collectivités d’animer l’écosystème de la mobilité dans sa transition.
    • La multiplicité des phénomènes aux évolutions rapides impose de réformer les protocoles d’évaluation. L’obsolescence des pratiques et des données est accélérée, de même que certains épiphénomènes présentent des impacts marqués. L’approche dite de « jumeau numérique » simule les composants des systèmes mobilité et logistique, en ayant notamment pour objet de retranscrire leurs dynamiques.

    Piloter les mobilités et la logistique digitalisées : corrélation entre les besoins territoriaux et des verrous technologiques structurants

    Dans un contexte multi-partenarial étendu et face au défi d’une décarbonation qui sera aussi décentralisée, le rôle de stratège et d’animateur des territoires est renforcé. L’essor des solutions numériques ouvre un spectre de possibilités et multiplie les scénarios. Face à cette complexité le développement d’une vision quantifiée, pilotable et ajustable requiert pour l’écosystème de la mobilité et de la logistique de nouveaux outils numériques. L’ampleur des enjeux impose un cadre d’innovation collaboratif au sein duquel les collectivités ont un rôle important à jouer.

  • Le numérique soutenable, une problématique systémique

    Le numérique soutenable, une problématique systémique

    Le numérique soutenable doit garantir un accès étendu et sans contraintes des services et données à l’ensemble des utilisateurs. Cette diffusion croissante est certes émancipatrice, mais représente un coût environnemental conséquent. Comment en maîtriser l’impact tout en en maximisant les bénéfices ?

    L’adoption croissante des outils numériques façonne l’économie et la société dans son ensemble. Elle ouvre la voie au progrès et à l’innovation en faveur du bien-être humain. Cependant, certaines de ses externalités doivent être maitrisées. A titre d’exemple, le secteur du numérique représente 8 à 10 % de la consommation électrique en Europe, et jusqu’à 4 % des émissions mondiales de gaz à effet de serre. Ces émissions et cette consommation électrique sont d’autant plus préoccupantes que la tendance est à la forte augmentation des usages. Les prévisions de croissance du secteur sont de l’ordre de 8 % par an (rapport Cigref). D’après le dernier rapport du GIEC (publié le 28 février 2022), les effets de la crise climatique sont d’ores et déjà ressentis partout dans le monde (accès limité aux ressources en eau et en nourriture, plus grande mortalité et développement de nouvelles maladies, etc.). Un développement responsable et résilient s’impose donc aujourd’hui, et le secteur du numérique n’y échappe pas. Le cadre réglementaire évolue d’ailleurs en ce sens [cf. Loi du 8 novembre 2019, sur l’énergie et le climat et pour la neutralité carbone à horizon 2050, Loi française du 20 février 2020 sur l’anti-gaspillage, le recyclage des pièces détachées et l’obligation d’information sur la consommation des services numériques].

    Cet article propose une synthèse des enjeux environnementaux de la transformation numérique. Après un rappel de l’empreinte environnementale du secteur du numérique, nous présentons une synthèse des quelques programmes existants visant à réduire cette empreinte. Nous proposons dans une dernière partie un aperçu des grands verrous mentionnés dans la littérature et collectés durant différents ateliers organisés par l’IRT SystemX autour du numérique responsable.

     

    Un usage effréné des services et des équipements

    Si les outils numériques ont un rôle à jouer dans la transition écologique, l’intensification des usages soulève plusieurs questions quant aux impacts environnementaux et sociaux associés. En effet, l’augmentation massive des services numériques fait exploser les volumes de données créées, échangées et stockées. La Commission Européenne prévoit une augmentation de 530 % du volume mondial de données à horizon de 2025 par rapport à 2018. Cette augmentation s’accompagne d’investissements importants dans les infrastructures, les équipements, les réseaux et centres de données qui sont responsables d’une consommation énergétique non négligeable, et donc d’émissions de gaz à effet de serre (GES) de plus en plus importantes. Par ailleurs, il est important de rappeler que les émissions de GES représentent un indicateur environnemental parmi d’autres. Sur ces sujets, il est indispensable d’adopter une vision multicritère lors de l’évaluation des impacts générés couvrant l’épuisement des ressources naturelles, la production de déchets, la qualité des écosystèmes, la toxicité humaine. D’après le rapport publié en janvier 2022 par l’Agence de l’environnement et de la maîtrise de l’énergie (ADEME) et l’Autorité de régulation des communications électroniques, des postes et de la distribution de la presse (ARCEP), les équipements (écrans et téléviseurs) seraient responsables de 65 à 90 % des impacts environnementaux, où l’épuisement des ressources énergétiques fossiles, et abiotiques (métaux et minéraux), l’empreinte carbone et les radiations ionisantes sont les plus prédominants. Enfin, la phase de fabrication est la source majeure des impacts, avec notamment 78 % de l’empreinte carbone. (Communiqué de presse – Environnement (19 janvier 2022) (arcep.fr)

     

    Plusieurs mesures mais aucun référentiel commun

    Afin de mesurer et d’évaluer l’impact du numérique, plusieurs initiatives ont été entamées notamment par l’ADEME, le ShiftProject, l’Institut National de l’Economie Circulaire (INEC), l’Institut du Numérique Responsable (INR) ou encore GreenIT. Toutes se heurtent à la complexité du système numérique et à la modélisation des processus qu’il sous-tend sur l’ensemble des phases de son cycle de vie. Cela s’explique en partie par le manque de données, leur accessibilité et leur qualité. La multitude et la diversité des acteurs et des parties prenantes sont également des facteurs jouant sur la complexité de la démarche en plus des processus organisationnels.

    La figure ci-après retrace le cycle de vie d’un service numérique ; nous pouvons en distinguer clairement les phases de production et apprécier la complexité qu’il y aurait à insérer à chaque étape des mesures pour réduire l’impact environnemental du produit final.

    Cycle de vie d’un Service Numérique,
    Source : https://www.eco-conception.fr/static/eco-conception-de-service-numerique.html

    En raison de la diversité des acteurs, la virtualisation et la décentralisation des plateformes de déploiement, la multitude des usagers cibles, le volume croissant des données personnelles et de leurs traitements, le coût des transferts de données et des réseaux à hauts débits, les étapes ne sont pas forcément interdépendantes. Par exemple, le facteur usage est déterminant et peut influencer le profil énergétique d‘un service, même si ce dernier est éco-conçu en termes de complexité algorithmique et d’empreinte mémoire. De même des phases de maintenance inadaptées peuvent remettre en question un profil numérique éco-responsable et initialement peu gourmand en ressources.

    Enfin, se pose également la question de la portée géographique d’une telle évaluation d’impact. Quid des calculs qui sont réalisés sur des Clouds virtuels distants dans d’autres pays, sur des machines alimentées par des sources d’énergie non identifiées et des données transférées en flux tendu entre les équipements et les personnes ? Comment délimiter le système d’intérêt ?

    Aujourd’hui, malgré la multiplication des initiatives gouvernementales et européennes, il n’existe pas encore de référentiel commun dédié à l’évaluation de l’impact environnemental et social du numérique. Les méthodes d’Analyse de Cycle de Vie sont encore peu appliquées de manière holistique et se focalisent souvent sur une partie du système (e.g. usages des équipements numérique, centre de données).

    Cet article n’a pas vocation à être exhaustif sur les initiatives autour du numérique soutenable, ni à en redéfinir les paradigmes. Plusieurs travaux fondateurs réalisés par l’ADEME, l’ARCEP, et l’INR, nous serviront de socle pour bâtir notre approche systémique.

     

    Des ateliers partenaires et des problématiques communes

    L’institut de recherche technologique (IRT) SystemX est spécialisé dans les domaines du numérique et des systèmes complexes. Cette double compétence permet un accès privilégié aux acteurs structurants de l’industrie française de tous secteurs, ainsi qu’une proximité importante avec les institutions académiques et scientifiques. Les projets de R&D opérés par l’institut ont pour vocation de soutenir la recherche et l’innovation auprès de ces acteurs. Sur le sujet de l’impact environnemental du numérique, des ateliers de réflexion ont réuni des entreprises de services numériques, des opérateurs de mobilité, des énergéticiens, et des opérateurs de télécommunication. Pour tous, le numérique constitue un élément central de leurs activités actuelles et à venir.

    Les acteurs réunis ont manifesté une connaissance précise des initiatives déjà entreprises et une volonté de co-construire et d’adopter une solution efficace qui leur permettrait de répondre aux besoins suivants :

    • Poser un diagnostic systémique du bilan environnemental sur l’ensemble de leurs actifs numériques en matière d’usage de ressources, de GES.
    • Adopter une trajectoire numérique à faible empreinte environnementale et soutenable en appliquant des plans d’optimisation de la consommation énergétique de leurs systèmes et de ceux déployés chez leurs clients.
    • Evaluer la performance environnementale perçue grâce aux systèmes numériques.
    • Pouvoir comparer des organisations numériques différentes et faire un choix éclairé sur la base de métriques transparentes.
    • Sensibiliser les personnes (collaborateurs/clients) à l’impact de leurs usages numériques.

    Nous avons réalisé une esquisse des parties prenantes impliquées dans l’ensemble du système numérique afin de proposer à chacune une approche adaptée pour évaluer les impacts et proposer des actions efficaces pour les réduire. Ainsi, nous avons pu tracer des cas d’usage à plusieurs niveaux d’abstraction (figure ci-après) :

    Environnement et cas d’usage d’un système d’évaluation de la sobriété numérique

    En rapport avec leurs secteurs d’activité, les intervenants aux ateliers ont évoqué les domaines applicatifs spécifiques suivants :

    • Les actifs numériques d’une organisation (matériel + logiciel + cloud + usages).
    • La mobilité connectée (impacts environnementaux et sur le report de modalité).
    • Les villes et les territoires connectés.
    • L’impact énergétique de la couverture 5G.

    En conclusion, il y a un réel besoin d’une approche systémique outillée (ACV, éco-conception, métriques multi-niveau, indicateurs de circularité), basée sur une méthodologie normalisée, commune, et intelligible, qui soit facilement adoptable et duplicable. Il est également essentiel d’intégrer des métriques transparentes et pertinentes (GES, volumétrie des données, profils énergétiques, usage réseau, taux de recyclabilité, etc.).

     

    Conscients de la complexité du sujet et de la nécessité d’apporter une réponse complémentaire aux démarches existantes, l’IRT SystemX et CentraleSupélec s’associent pour lancer l’alliance CircularIT, dont l’objectif est d’articuler des compétences d’éco-conception, des approches d’analyse de cycle de vie et de circularité avec des compétences numériques et d’architecture système. L’ambition est de dimensionner les activités de cette alliance sur une base territoriale et industrielle concrète.

     

    Références :

  • Contribuer à l’évaluation des performances environnementales des entreprises avec les jumeaux numériques simulables

    Contribuer à l’évaluation des performances environnementales des entreprises avec les jumeaux numériques simulables

    Quels sont les enjeux de l’adoption de la taxonomie des activités soutenables au niveau de l’Union européenne ?

    La Commission européenne a adopté, le 21 avril 2021, un ensemble de mesures visant à mieux orienter les flux de capitaux vers des activités soutenables dans l’ensemble de l’Union européenne. En incitant les investisseurs à financer des technologies et des entreprises plus durables, les mesures adoptées doivent aider l’Europe à atteindre la neutralité carbone pour limiter les impacts climatiques d’ici à 2050.

    La taxonomie des activités soutenables proposée par l’UE [1] vise à promouvoir les investissements durables en donnant une vision plus claire des activités économiques qui contribuent le plus à la réalisation de ses objectifs environnementaux articulés autour de cinq volets :

    • l’atténuation des changements climatiques,
    • l’adaptation au changement climatique,
    • l’utilisation et la protection durables de l’eau et des ressources marines,
    • la transition vers une économie circulaire,
    • la prévention et la maîtrise de la pollution,
    • la protection et la restauration de la biodiversité et des écosystèmes.

    Une nouvelle directive sur l’obligation de publication d’informations en matière de durabilité par les entreprises va être transposée en droit français (Sustainability Finance Diclosure Regulation) et étendue à toutes les grandes entreprises et sociétés cotées pour fin 2022. Ainsi, près de 50 000 entreprises de l’UE devront désormais se conformer à des normes européennes détaillées en matière de publication d’informations sur la durabilité. Avec ces nouvelles normes, les entreprises devront expliquer plus précisément pourquoi elles ont besoin de lever des fonds, à quelles fins, et de quelle manière. Ainsi, elles devront démontrer leur conformité, chiffres et mesures précises à l’appui.

    Quel impact pour les entreprises et les marchés financiers ?

    Les investisseurs sont encouragés à financer des entreprises qui pourront prouver leurs performances sociales, environnementales et de gouvernance (Environmental, Social and Governance / ESG) au travers du marché des obligations : les ESG Bonds.

    En effet, pour avoir accès à ces financements privilégiés, les entreprises devront démontrer l’alignement de leurs activités avec cette taxonomie. Afin de maintenir leur financement via l’émission d’obligations sur le marché primaire, elles auront l’obligation d’émettre de plus en plus de bonds avec des critères ESG. Les obligations de celles qui ne le feront pas ne seront pas souscrites ou alors avec des taux de financement bien plus élevés. Pour cela, les entreprises vont devoir prendre des engagements forts sur les facteurs ESG et donc se doter de modèles.

    Les indicateurs extra-financiers (carbon, degree alignment, etc.) viennent complèter les indicateurs financiers (sensibilité, rating des agences, etc.) pour monitorer la transition de durabilité. L’analyse de risque de transition est dès aujourd’hui devenu un enjeu considérable. Toute l’industrie financière s’équipe donc en nouveaux modèles de notation basés sur les données ESG des émetteurs sur ces thématiques. Les gestionnaires de fonds à investissement socialement responsable (ISR), vont être friands des ESG Bonds pour respecter leurs engagements. Les instances de régulation des marchés comme l’AMF et ESMA (European Securities and Markets Authority) au niveau européen s’impliqueront dès 2022 dans le contrôle.

    Le décret pour les sociétés financières est paru en juin 2021 pour première application en 2022 alors que la transposition pour les sociétés cotées est prévue pour fin 2022 (première application a priori pour l’exercice 2023).

    « Le décret d’application de l’article 29 de la Loi énergie-climat publié mi 2021 va renforcer le cadre de transparence extra-financière des acteurs de marché avec notamment la publication d’indicateurs ESG pour chaque ligne d’actifs présents dans l’inventaire d’un fonds d’investissement. »

    Les approches de jumeaux numériques simulables de systèmes industriels sont-ils applicables à l’analyse de risque de transition ?

    Mentionné pour la première fois par Michael Grieves de l’Université du Michigan [3] est selon le digital twin consortium :

    « Un jumeau numérique est une représentation virtuelle d’entités et de processus du monde réel, synchronisés à une fréquence et une fidélité spécifiées. »

    Les jumeaux numériques accélèrent la compréhension holistique du système dans son environnement et la prise de décision optimale. En utilisant des données en temps réel et historiques, ils permettent également de représenter le passé, le présent et simuler des états futurs.

    Un article publié en décembre 2021 au sein d’un magazine lié à l’industrie minière [4] cite Jeff Hamilton, senior director brand strategy and alliances chez Dassault Systèmes : “The virtual twin is incredibly important to digitalize all the variables, not just so you’re making the best economic decision but it also the health, safety and environmental implications. »

    In fine, les aspects liés à la « simulation » deviennent très importants. Pour les entreprises et les marchés financiers, il est nécessaire de modéliser les projets et les portefeuilles et de mesurer les trajectoires carbones associées. L’approche jumeau numérique simulable peut-elle y aider ?

    L’accès aux données est clé pour construire les indicateurs, or tout n’est pas encore normalisé. Il existe aujourd’hui deux principales sources :

    • des ONG ou label indépendants qui analysent les entreprises et produisent leurs propres indicateurs,
    • des gros fournisseurs de données financières qui ont déjà pris une place très importante sur le marché de ces données (S&P via le rachat de TrucostESG Analysis, MorningStar via le rachat de Sustainalytics, MSCI, VIGEO, etc.).

    Or, des jumeaux numériques simulables pour l’ensemble des actifs industriels comme les systèmes de production, les infrastructures, les usines, les chaines d’approvisionnement émergent déjà au sein de l’industrie. Ces jumeaux numériques simulables sont utilisés afin d’anticiper, de prédire et de prendre des décisions, par exemple pour des approches de sûreté de fonctionnement et maintenance, de résilience des systèmes ou encore pour la planification de production.

    À titre d’exemple, avec « Decarbonized City » [5], l’IRT SystemX a développé, avec l’agglomération Paris-Saclay et Cosmo Tech, une véritable réplique énergétique virtuelle des 27 communes qui composent le territoire de Paris-Saclay, construite à partir de données réelles fournies par l’agglomération : configuration du territoire, données cadastrales, bâtiments, réseaux énergétiques, données de consommation et de production d’énergie, etc. À partir des données disponibles, nous avons modélisé le territoire de l’agglomération Paris-Saclay et simulé des scénarios pour une prise de décision optimale autour de futurs projets d’aménagement et d’investissements énergétiques et déterminer leurs conséquences écologiques et économiques.

    En encapsulant à la fois des données en temps réel et historiques et la connaissance des experts, les jumeaux numériques simulables permettent non seulement de représenter le passé et le présent, mais également de simuler les futurs possibles des organisations.

    Le sujet est également prégnant dans l’industrie de la construction et de la rénovation énergétique. Par exemple, le projet européen Probono[6], intègre une analyse stratégique des moyens de financement conforme à la taxonomie et l’utilisation de jumeaux numériques simulables pour encourager le développement des éco-quartiers.

    Il semble donc légitime de se projeter sur l’application d’une approche jumeau numérique simulable pour l’analyse de risque de transition avec trois questions de recherche à aborder très rapidement :

    • Comment intégrer les exigences ESG dans la conception et le déploiement du jumeau numérique simulable ?
    • Comment valider et certifier la dimension ESG du jumeau numérique simulable d’un actif industriel ?
    • Plus encore que la dimension soutenabilité, comment mesurer les performances sociales pour les injecter dans le jumeau numérique simulable ? Ces performances sociales et les modes de gouvernance d’entreprise associés sont-elles pilotables au même titre que les performances techniques ?

    Le défi de la démonstration des performances sociales et environnementales des entreprises est une opportunité pour une croissance durable dans une Europe souveraine si nous maîtrisons et développons des outils et une ingénierie aussi ambitieuse que le plan climat. Les jumeaux numériques simulables peuvent être l’un des leviers de cette nouvelle révolution industrielle.

    Pour aller plus loin :

     

    [1] https://ec.europa.eu/info/business-economy-euro/banking-and-finance/sustainable-finance/eu-taxonomy-sustainable-activities_en

    [2] https://cordis.europa.eu/project/id/101037075

    [3] Grieves, Michael. (2011). Virtually Perfect: Driving Innovative and Lean Products through Product Lifecycle Management. – https://www.digitaltwinconsortium.org/initiatives/the-definition-of-a-digital-twin.htm

    [4] https://www.diggingforclimatechange.com/articles/digital-twins-to-emerge-as-esg-tool

    [5] [Amrani & al. 2022] – A Digital Twin Approach for Sustainable Territories Planning: A Case Study on District Heating ICSCSS 2022 https://hal.archives-ouvertes.fr/IRT-SYSTEMX/hal-03554967

    [6] https://eur-lex.europa.eu/legal-content/FR/TXT/?uri=CELEX%3A32009L0138