1 LA PREDICTION EN INTELLIGENCE ARTIFICIELLE

1. Introduction
L’intelligence artificielle ou IA s'applique à tous les secteurs d’activité : transports,
santé, énergie, logistique, finance ou encore commerce. Cloud, véhicule autonome,
industrie, compteurs intelligents... utilisent tous des algorithmes performants pour fournir
des réponses efficaces, fiables et personnalisées aux utilisateurs. Associant matériels et
logiciels, l’intelligence artificielle mobilise des connaissances multidisciplinaires :
électronique (collecte de données, réseaux de neurones), informatique (traitement de
données, apprentissage profond), mathématiques (modèles d'analyse des données) ou
sciences humaines et sociales pour analyser l'impact sociétal induit par ces nouveaux
usages. L’essentiel sur les enjeux industriels et sociétaux majeurs de l’intelligence
artificielle.

2. DEFINITION DE L’INTELLIGENCE ARTIFICIELLE

L’intelligence artificielle (IA) est une branche de l’informatique qui regroupe un

ensemble d’algorithmes permettant à une machine d’analyser des données, de prendre des
décisions et de s’adapter intelligemment à différentes situations en réalisant des
prédictions à partir d’informations déjà disponibles. Elle vise à concevoir des systèmes
intelligents capables de traiter un grand volume de connaissances en imitant l’intelligence
humaine grâce à des algorithmes exécutés dans un environnement informatique
dynamique. Pour cela, l’intelligence artificielle associe des logiciels à des composants
matériels (« hardware ») tels que des capteurs ou des interfaces utilisateur, afin de
permettre aux ordinateurs de réfléchir et d’agir de manière similaire aux êtres humains.
2 LA PREDICTION EN INTELLIGENCE ARTIFICIELLE

3. Les techniques de l’IA :

Dans tous les secteurs d’activité, les techniques de l’IA tendent à élargir le champ
d’action des machines, en leur donnant la possibilité de voir, d’entendre, de raisonner, de
parler, d’agir, etc. c'est-à-dire des systèmes qui possèdent des caractéristiques associées
avec l’intelligence dans le comportement humain ; le langage de compréhension,
l’apprentissage, le raisonnement, les solutions des problèmes, etc. On essaie seulement
d’obtenir un comportement intelligent avec des ordinateurs, par le biais des techniques :
systèmes experts, logique floue, algorithme génétique, réseau de neurones, etc. En
général, deux principes se présentent :

1- Étude des procédés de la pensée humaine.

2- La représentation de ces procédés par des machines : Ordinateurs, Robots. De ce fait,

les différentes techniques d’IA nous permettent d’imiter le raisonnement humain et
partagent un point commun qui est: l’aide à la décision.

4. Historique

L’Intelligence Artificielle, s’est développée pour objectif la simulation des

comportements du cerveau humain. Les premières tentatives de modélisation du cerveau
sont anciennes et précèdent même l’ère informatique. Les prémices d’une discipline
technique, Les bases théoriques de l’IA remontent au milieu du XXe siècle, avec des
3 LA PREDICTION EN INTELLIGENCE ARTIFICIELLE

travaux en logique mathématique et en cybernétique. Mais c’est en 1956, lors de la

conférence de Dartmouth, que le terme intelligence artificielle est officiellement adopté.
L’objectif des pionniers comme John McCarthy et Marvin Minsky était de développer des
machines capables de résoudre des problèmes complexes, d’apprendre, et même de
simuler des comportements humains. Parallèlement, Alan Turing avait déjà initié la
réflexion avec son célèbre Test de Turing. Déterminer si une machine peut se comporter
de manière indiscernable d’un humain dans une conversation, il a marqué un tournant
dans la conception des systèmes dits « intelligents ». Les premières recherches se sont
concentrées sur des approches symboliques : des algorithmes conçus pour manipuler des
symboles et résoudre des problèmes mathématiques ou logiques. Malgré leurs potentiel,
ces méthodes ont rencontré deux principaux obstacles : l’insuffisance de la puissance de
calcul des ordinateurs et l’augmentation de la complexité lorsque les tâches devenaient
moins structurées

les premiers hivers de l’IA Dans les années 60 et 70, l’approche symbolique (souvent
appelée IA classique ou GOFAI pour Good Old-Fashioned Artificial Intelligence)
dominait. Ces systèmes, basés sur des règles logiques et explicites, fonctionnaient bien
pour des tâches spécifiques comme jouer aux échecs ou résoudre des puzzles. Mais dès
qu’il s’agissait de gérer des données imprécises ou non structurées, les limites
apparaissaient rapidement. Ces frustrations ont conduit à deux hivers de l’IA (années 70
et fin des années 80), des périodes où le financement et l’intérêt pour la recherche en IA
ont fortement diminué. Un nouveau souffle pour l’IA, le machine learning est venu dans
les années 90 avec l’essor de l’apprentissage automatique. Plutôt que de coder
manuellement des règles, les chercheurs ont commencé à développer des algorithmes
capables d’apprendre à partir des données. L’utilisation de techniques statistiques comme
les arbres de décision ou les machines à vecteurs de support (SVM) a permis de résoudre
des problèmes de classification et de prédiction avec une précision bien supérieure. En
parallèle, la disponibilité de données massives et la montée en puissance des
infrastructures de calcul ont accéléré les progrès. La révolution des années 2010 La
véritable révolution est arrivée au début des années 2010 avec le deep learning. En
s’appuyant sur des architectures de réseaux de neurones profonds, ces modèles ont
transformé des domaines comme la vision par ordinateur et le traitement du langage
naturel. L’une des percées les plus marquantes a été celle d’AlexNet en 2012, qui a
dominé la compétition ImageNet grâce à un réseau convolutif (CNN) capable de classifier
des millions d’images avec une précision inédite. Les avancées dans les modèles basés
sur les transformers (comme BERT ou GPT) ont depuis ouvert de nouvelles perspectives
4 LA PREDICTION EN INTELLIGENCE ARTIFICIELLE

en traitement du langage naturel Ces architectures permettent de traiter des tâches

complexes comme la traduction, le résumé automatique ou la génération de texte, avec
des niveaux de performance élevés.

5. Qu’est-ce que le machine learning ?

Le machine learning, spécialité de l'intelligence artificielle, est le domaine de la science

informatique qui a pour objectif d'analyser et d'interpréter des modèles et des structures
de données afin de permettre l'apprentissage, le raisonnement et la prise de décision sans
interaction humaine. En résumé, avec le machine learning, l'utilisateur alimente un
algorithme avec une quantité considérable de données et demande à l'ordinateur
d'effectuer des recommandations et de prendre des décisions à partir de ces données.
Lorsque des corrections sont appliquées, l'algorithme peut incorporer ces informations
pour améliorer sa prise de décision.

-Les modèles d'apprentissage automatique Jouent un rôle essentiel dans la planification et la

prévision. L'objectif principal est de parvenir à une prédiction qui donne des informations futures
en se basant sur les études antérieures.

5.1 Le développement d’un modèle de Machine Learning

S’appuie sur quatre grandes étapes, allant de la sélection de l’ensemble des données
d’entraînement jusqu’à l’utilisation et l’amélioration du modèle.

5.1.1 La sélection des données d’entraînement

La première étape consiste à sélectionner et préparer un ensemble de

données d’entraînement. Celles-ci vont venir nourrir le modèle de Machine Learning et
lui permettre d’apprendre le problème pour lequel il a été créé. Ces données peuvent
également être étiquetées pour indiquer au modèle les caractéristiques qu’il doit prendre
en compte. Elles peuvent tout aussi bien être non étiquetées, le modèle devant alors
repérer et extraire ces caractéristiques par lui-même.

5.1.2 La sélection de l’algorithme

La deuxième étape implique de sélectionner l’algorithme qui sera exécuté sur les données
d’entraînement. Le choix de l’algorithme dépend de plusieurs facteurs tels que le type et
le volume des données, mais aussi la nature du problème à résoudre.
5 LA PREDICTION EN INTELLIGENCE ARTIFICIELLE

5.1.3 L’entraînement de l’algorithme

La troisième étape est dédiée à l’entraînement de l’algorithme. On exécute des variables

via l’algorithme, on compare les résultats avec ce qu’on aurait dû obtenir, puis on réalise

des ajustements pour gagner en précision en matière de résultat. Et ainsi de suite, jusqu’à
ce que l’algorithme produise le bon résultat.

5.1.4 Affiner et préparer les données pour l'analyse

La quatrième étape la préparation des données nettoie les ensembles de données pour
s'assurer que tous les enregistrements puissent être facilement ingérés pendant la
formation. La préparation comprend une gamme de tâches de transformation, telles que
l'établissement de formats de date et d'heure, la jointure ou la séparation de colonnes
selon les besoins, et la définition d'autres paramètres de format, tels que des chiffres
significatifs acceptables dans des données numériques réelles. D'autres tâches clés
incluent le nettoyage des enregistrements en double ainsi que l'identification et
éventuellement la suppression des valeurs aberrantes

5.1.5 L’utilisation et l’amélioration du modèle

La dernière étape ouvre la voie à l’utilisation et l’amélioration du modèle. L’idée est

de déployer le modèle sur un nouveau jeu de données, associé au problème à résoudre. Au
fil du temps, l’efficacité et la précision peuvent s’améliorer.

La prévision :

- IA prédictive consiste à associer analyse statistique et machine learning pour identifier

les schémas, anticiper les comportements et prévoir les événements à venir. Les
entreprises exploitent l’IA prédictive pour prédire les résultats futurs analyse prédictive
est une méthode; interprétation des données actuelles et anciennes permettant de faire des
prévisions sur les événements à venir. Cette méthode utilise des techniques telles que
l’apprentissage automatique (AA), la modélisation statistique et l’exploration de données
6 LA PREDICTION EN INTELLIGENCE ARTIFICIELLE

pour aider les entreprises à identifier des tendances, des comportements, des résultats
futurs et des opportunités commerciales.

La prédiction de consommation énergétique, est l’utilisation de techniques d’analyse de

données et d’intelligence artificielle pour anticiper les besoins futurs en énergie d’une
entreprise ou d’une organisation. Il ne s’agit pas seulement d’une estimation vague, mais
d’une prévision quantitative basée sur des données historiques, des modèles
algorithmiques sophistiqués et la prise en compte de multiples facteurs influents. Ces
facteurs peuvent inclure les variations saisonnières, les jours de la semaine, les heures de
pointe, les conditions météorologiques (température, humidité, ensoleillement), le type
d’activité de l’entreprise, les niveaux de production, le nombre d’employés présents,
l’utilisation de machines spécifiques, l’efficacité énergétique des équipements, et même
des événements ponctuels comme des jours fériés ou des campagnes promotionnelles.

L’objectif premier de cette prédiction :

Améliorer la gestion de l’énergie au sein de l’entreprise, en permettant d’optimiser les

achats d’énergie, de réduire les coûts opérationnels, d’identifier les sources de gaspillage
et d’améliorer la durabilité environnementale. Concrètement, la prédiction de
consommation énergétique se base sur la collecte et l’analyse de grandes quantités de
données (Big Data) via des capteurs IoT (Internet des Objets), des systèmes de gestion
technique du bâtiment (GTB) ou des factures énergétiques. Ces données sont ensuite
traitées par des algorithmes de Machine Learning (apprentissage automatique) qui
identifient des schémas et des corrélations pour élaborer des modèles prédictifs.

Les modèles prédictifs :

Ces modèles peuvent être adaptés à des pas de temps variés, allant de la :

1 prédiction à court terme :(heure par heure, jour par jour) pour ajuster la demande en
temps réel,

2 la prédiction à moyen et long terme (semaines, mois, années) pour planifier les
investissements et les stratégies énergétiques.

- La précision de la prédiction :
7 LA PREDICTION EN INTELLIGENCE ARTIFICIELLE

Est un facteur clé, qui dépend de la qualité et de la quantité des données disponibles, du
choix des algorithmes utilisés, et de la capacité à prendre en compte les facteurs externes
qui peuvent influencer la consommation. Une bonne prédiction permet de passer d’une
gestion réactive de l’énergie (constater une surconsommation et réagir après coup) à une
gestion proactive, où les problèmes sont anticipés et les mesures correctives sont mises en
place avant même qu’ils ne surviennent.

L’application de la prédiction

L’application de la prédiction de consommation énergétique est particulièrement

pertinente pour les entreprises dont la consommation énergétique est significative, comme
les industries manufacturières, les centres de données, les grandes surfaces, les hôpitaux,
ou encore les réseaux de transport. En utilisant des outils de prédiction énergétique, ces
entreprises peuvent non seulement réduire leurs coûts, mais aussi se positionner comme
des acteurs responsables en matière de développement durable. La prédiction de la
consommation énergétique s’inscrit donc dans une démarche plus globale de gestion de
l’énergie, de l’efficacité énergétique, et de la responsabilité sociale des entreprises.

Les modeles de la prediction :

Regression lineaire/non/perceptron multi couche/reseaux neur/svm