Missions et références : quelques exemples de réalisations
Prévi-Baignade
Depuis 2023
Modélisation et plateforme de prévision du risque de pollution bactérienne sur 1200 sites de baignade
Nous avons développé la plateforme Previ-Baignade pour accompagner les collectivités du littoral dans la gestion préventive de plus de 1200 sites de baignade.
Cette solution numérique en temps réel s’appuie sur un modèle statistique prédictif évaluant un risque de pollution bactérienne (E. coli + entérocoques) . Elle fournit une aide à la décision pour une fermeture préventive des sites de baignade, ou la réalisation d’autocontrôles ponctuels.
Elle ouvre également la possibilité d’alertes à destination des chonchyliculteurs, qui peuvent ainsi anticiper les pollutions bactériennes et mettre temporairement hors d’atteinte les casiers de coquillages.
Régie d’assainissement
> 340 mille habitants – 2024
Étude statistique et par IA de la dynamique et du transport bactérien dans un fleuve
Pour le service innovation de la régie, nous avons construit des modélisations et analyses statistiques pour améliorer la compréhension de la dynamique et du transport bactérien en rivière.
L’objectif est d’augmenter la capacité à prévoir les temps de survenue et la concentration des pollutions bactériennes liées à la bactérie E. coli. Pour le remplir, nous avons développé aussi bien des approches statistiques classiques que des modèles de machine learning à même de prévoir les mécanismes de décroissance bactérienne plusieurs heures à l’avance, assorti d’un intervalle d’incertitudes.
Eaux et Vilaine
2024
Étude de vulnérabilité conchylicole par modélisation statistique du risque bactérien
Développement d’algorithmes statistiques (IA) permettant de modéliser et de hiérarchiser le conditions environnementales et activités humaines influant sur le risque de contamination des zones conchylicoles.
Pour chaque zone et site, la modélisation a permis d’évaluer le degré d’impact des éléments suivants :
– régime de vents : force et direction
– marées : coefficients, montante/descendante
– pluviométrie à court, moyen et long terme
– déversements depuis les stations d’épuration
– débits des cours d’eau à proximité
– niveau de nappe
Délégataire de l’Ouest de la France
700 postes de relèvements – 2024
Diagnostic eaux claires parasites par décomposition des débits
En utilisant la technologie parIA, nous avons réalisé les bilans quotidiens et annuels de décomposition des eaux claires parasites sur plus de 700 postes de relevage, afin de déterminer la part d’eaux claires parasites météoriques pluviales, d’eaux claires parasites d’infiltration, et d’eau usée stricte.
L’algorithme développé permet d’automatiser la production de ces bilans, ainsi qu’une approche plus fine via un modèle pluie-débit par intelligence artificielle. Celui-ci, grâce à apprentissage sur l’historique de données, détermine jour par jour la composante pluviale du volume d’eau usée remontée sur un poste de relèvement, sans hypothèses supplémentaires, nécessaires dans les approches classiques.
Les résultats peuvent ensuite être appairés par bassin de collecte, afin de permettre une hierarchisation des investigations à mener sur le territoire concerné.
Groupe SAUR – 2022 – volet 1
Détection et corrections d’anomalies sur des chroniques temporelles de volumes mis en distribution
Pour la direction expertise métier Saur France, nous avons développé et testé plusieurs approches basées sur des algorithmes statistiques et des techniques de machine learning pour la détection d’anomalies. Nous les avons appliquées aux chroniques mensuelles de volumes mis en distribution provenant de plusieurs centaines de contrats exploités en délégation par Saur.
La méthode retenue in fine a été implémentée dans un exécutable simple, donnant lieu à une mise à jour régulière et simplifiée du process de détection sur les nouvelles données acquises chaque mois. Elle permet un suivi optimisé des volumes, ensuite exploités par la direction expertise métier pour en extrapoler une répartition entre fuites et consommations.
Akwari a notamment pu exploiter cette approche pour statuer sur les corrélations et autres relations statistiques entre différents grandeurs météorologiques et l’évolution de la demande en eau.
Groupe SAUR – 2022 – volet 2
Étude statistique et par machine learning de l’impact du contexte saisonnier et climatique sur les consommations et volumes mis en distribution
Dans sa recherche d’une gestion et d’une adaptation optimale de ses services, le groupe Saur doit s’appuyer sur une compréhension fine de la dynamique des volumes mis en distribution et de l’origine de leurs évolutions dans le temps.
Pour répondre à ce besoin, Akwari a notamment développé une modélisation par IA des volumes mis en distribution à l’échelon local (provenant de plus de 700 collectivités délégantes), ainsi que régional et national. Cet algorithme s’appuie en particulier sur le contexte climatique (pluviométrie, température etc) et saisonnier, permettant d’interpréter ces éléments comme étant ou non explicatifs des variations observées aux échelles intra-annuelle et interannuelle.
Institut de la mère
et de l’enfant – 2023
Modélisation du nombre d’ovocytes lors d’une hyperstimulation pour la fécondation in vitro
Selon l’historique de la patiente et ses caractéristiques physiologiques, l’objectif de ce travail est de pouvoir déterminer la procédure et le traitement les plus adaptés pour aboutir au prélèvement d’un nombre d’ovocytes optimal, lorsque la mise en place d’un protocole d’hyperstimulation est nécessaire pour la fécondation in vitro.
En équipe avec un gynécologue du CHU de Rennes, nous avons adapté et amélioré un modèle de machine learning dans le but prévoir le nombre d’ovocytes prélevables.
Les professionnels de santé concernés disposent désormais d’une interface de saisie des caractéristiques pertinentes, de manière à simuler la performance attendue de l’éventail des traitements et doses possibles.
Spec Environnement
/ Cubhoh- 2022
Modèle prédictif pour l’optimisation de la gestion des process d’épuration industriels
Akwari a accompagné ces deux bureaux d’études dans le développement d’un assistant prédictif destiné à améliorer la gestion dynamique de stations d’épuration industrielles.
Dans ce but, nous avons programmé deux modèles IA de machine learning et deep learning. Leur capacité à prévoir la valeur les principales variables descriptives de l’efficacité des traitements a ensuite rendu possible la simulation d’un grand nombre de scénarios de réglages.
Suite au portage du modèle sur terminal mobile par les équipes de Cubhoh, l’opérateur est en capacité de choisir plusieurs jours à l’avance le scénario optimal le plus probable plusieurs jours à l’avance, en termes d’efficacité de traitement.