Machine Learning : une adoption encore liée à une bonne compréhension des gains

Au fur et à mesure que les entreprises maîtrisent les rudiments du reporting, dela BI et de l’analyse descriptive, le prédictif et le prescriptif entre dans leur radar. C’est là que la valeur y est désormais  descellée. Le problème, surtout pour les entreprises qui commercialisent de l’analytique est comment expliquer leur valeur aux clients.

« Dans certains cas, les entreprises comprennent ce qu’on fait en un clin d’œil », explique Boris Savkovic, data scientist chez BuildingIQ, dans un email. «  Dans d’autres, de gros efforts d’éducation sont nécessaires. »

BuildingIQ, localisée en Californie, est une société qui accompagne les gestionnaires de bâtiments dans le contrôle et le monitoring des infrastructures de chauffage et d’air conditionné pour en améliorer l’efficacité et les coûts. La solution SaaS repose sur des algorithmes avancés de Machine Learning qui prennent en compte des données portant sur la consommation énergétique, les prévisions météo, celles émises par les systèmes HVAC (Chauffage, ventilation et climatisation), et le coût énergétique. Ces algorithmes, développés avec MATLAB (de MathWorks), déterminent en continu le bon paramètrage des systèmes HVAC. Ces données sont transmises aux systèmes via du code Java.

La société affirme que ses outils peuvent faire économiser jusqu’à 15% des coûts énergétiques. Selon Boris Savkovic, le gros du travail est bien de s’assurer que les gestionnaires de bâtiments comprennent la proposition de valeur.

La difficulté tient en partie au fait que les clients n’interagissent pas avec les algorithmes de Machine Learning. Ils sont développés entièrement pas les data scientists de BuildingIQ et sont hébergés sur les propres serveurs de la société. L’ensemble fonctionne bien de façon autonome d’un point de vue du client. Même si cela est un gain pour les clients – ils n’ont pas à investir dans du hardware ni à  dédier des ressources au développement -,  cela rend les choses quelque peu abstraite.

C’est pourquoi il est important de faire le travail en amont, raconte-t-il. Son équipe récupère des données des clients et développent des modèles pour leurs bâtiments, leur montrant combien ils auraient pu économiser s’ils avaient utilisé la bonne solution dans le passé. Pouvoir visualiser ces données est clé. Cela permet de traduire une analyse prédictive complexe en quelque chose que les métiers peuvent comprendre, même s’ils ne disposent pas   de  compétences avancées en analyse de données. « Présenter des visuels et des résultats contribue beaucoup à expliquer ce que BuildingIQ fait », raconte encore Boris Savkovic.

Finalement, le changement de mentalité pourrait bien stimuler l’adoption de technologies comme les algorithmes avancés de Machine Learning. Selon lui, l’industrie de la construction n’est certes pas l’industrie la plus précoce en matière technologique. Mais cela commence  à changer et pourrait démocratiser ce type de solutions. « L’industrie du bâtiment a été très lente à amorcer sa transformation numérique », explique le responsable. « Mais étant donné les investissements consentis dans les Smart Cities et les constructions intelligentes, l’adoption, ainsi que la maturité du marché, devraient progresser.

Traduit et adapté par la rédaction