Projets

Du machine learning développé avec l'IRT b<>com planifie les interventions sur site de TDF

Les 300 techniciens de TDF réalisent quelque 100 000 interventions par an. Le machine learning va aider à les planifier. (photo : TDF)

Pour planifier les 100 000 interventions annuelles sur ses sites, TDF s'appuie sur son partenariat avec l'IRT b<>com. Ensemble, ils ont mis au point des réseaux neuronaux, dont de l'apprentissage par renforcement, pour optimiser ce processus aux contraintes multiples et interdépendantes.

PublicitéL'opérateur d'infrastructures télécoms et de diffusion TDF réalise environ 100 000 interventions chaque année sur ses installations. Pour réduire à la fois ses coûts et son empreinte carbone, TDF veut « maximiser le temps de production sur site et réduire les impacts des trajets » entre ses différents sites géographiques. Or la planification de ces opérations de développement et de maintenance est particulièrement complexe, car elle implique de tenir compte de multiples contraintes interdépendantes.

TDF doit ainsi tenir compte de la disponibilité de ses 300 techniciens - répartis en équipes de 15 sur ces opérations -, pour identifier des créneaux compatibles avec la durée des interventions, des temps de déplacement et des pauses réglementaires. Comme l'ajoute, dans un communiqué sur le projet, Pierre Castel, ingénieur de recherche en IA au sein de l'IRT b<>com, il faut aussi intégrer le besoin d'une compétence spécifique sur place, voire de deux compétences complémentaires ou le temps passé sur les routes et faire en sorte de mutualiser les opérations. Pour résoudre cette équation complexe, TDF a donc travaillé avec l'IRT b<>com dont il est membre fondateur. L'institut de recherche technologique rennais est spécialisé dans le numérique et s'appuie, comme tous les autres IRT, sur la collaboration entre recherche publique et recherche privée.

Des transformeurs pour formaliser le raisonnement

Pour arriver à une planification multifactorielle, les deux organisations ont donc travaillé ensemble sur un système à base d'IA, principalement de machine learning, au sein d'un projet de recherche spécifique. TDF a détaché pour ce faire Alice Feneyrols, sa responsable de la performance opérationnelle sein d'une équipe b<>com dédiée, en collaboration avec Pierre Castel.

L'équipe a commencé par formaliser le raisonnement qui conduit à la planification des opérations. Pour ce faire, « il a été nécessaire de concevoir un moteur sur mesure, capable de constituer des escouades d'intervention adaptées à chaque situation grâce à l'intelligence artificielle », complète Pierre Castel. Pour répondre à la multiplicité de contraintes, les deux partenaires ont d'abord exploré un modèle de réseaux de neurones de type transformeurs spécialisé dans le traitement de données en séquence. Un travail qui a abouti à un logigramme fonctionnel du processus de planification.

L'apprentissage par renforcement pour les affectations en temps réel

« Cette modélisation a facilité la compréhension des étapes opérationnelles, la mise en évidence des points de décision critiques et l'identification des leviers d'optimisation du processus existant », précise le communiqué. L'IRT et TDF ont également développé un moteur de recommandation, à base d'apprentissage par renforcement cette fois, pour « proposer en temps réel des affectations optimisées d'escouades et des créneaux d'intervention adaptés tenant compte de l'ensemble des contraintes métiers et opérationnelles ». Résultat, selon TDF, dans les cas les plus complexes, le temps nécessaire à l'affectation d'une tournée a pu passer de 1h30 à moins de 10 minutes.