Federated Learning : une opportunité pour les acteurs des Smart Grid ?
Aujourd’hui, les gestionnaires de réseau de distribution et les fournisseurs mettent en place des processus et des outils pour obtenir au goutte à goutte le consentement explicite de leur client, prérequis à la collecte de leurs données personnelles d’usage de l’énergie. Ces données collectées massivement et exhaustivement sont nécessaires pour mettre en œuvre des algorithmes d’apprentissage qui peuvent améliorer considérablement les modèles de prévisions de consommation, d’optimisation de la consommation ou encore de la gestion des équilibres des réseaux, ….
Développé en 2017 par Google, le Federated Learning est un concept de deep learning distribué. Cette méthode d’apprentissage ne nécessite pas la remontée de données personnelles vers un datalake centralisé. Elle se présente alors comme une solution aux enjeux liés à la gestion de la confidentialité et la sécurité de ces données jugées très sensibles, une réponse technologique au RGDP.
Quelles sont les grands principes du Federated Learning ?
La perte de données personnelles et les préjudices qu’elles peuvent engendrer sont une des craintes majeures des grandes entreprises et en particulier des acteurs du numérique. Afin de mitiger ce risque, les chercheurs de Google ont développé un modèle d’architecture distribué de deep learning s’appuyant sur les capacités de calculs des terminaux : le Federated Learning ou l’apprentissage fédéré.
Pour comprendre l’innovation apportée par cette nouvelle approche, il faut considérer le fonctionnement d’un modèle de deep learning. Il a particulièrement besoin de données pour réaliser une phase d’apprentissage (ou de recalibration) pendant laquelle les poids du (des) réseau(x) de neurones sont ajustés avec les cas réels qui lui sont fournis. Plus le nombre d’exemples fournis en phase d’apprentissage est important, plus vous augmentez la probabilité d’optimiser votre modèle (couverture d’un maximum de cas possibles). Une fois cette phase d’apprentissage terminée, vous obtenez un réseau de neurones pondérés dont la structure finale représente ce que l’on nomme l’Intelligence Artificielle (IA).
Par exemple, si nous voulions créer un modèle de prévision de consommation basé sur le deep learning, nous devrions collecter un maximum, voire toutes les données des compteurs communicants (Linky, Gazpar,..) chez les consommateurs; stocker toutes ces données dans un datalake et entrainer le modèle deep learning à partir de ces jeux de données. Mais ces courbes de consommations collectées sont des données personnelles. Elles peuvent par exemple indiquer ma présence ou non à mon domicile sur une plage horaire donnée ou donner des renseignements sur mes habitudes de consommation. Raison pour laquelle, il est obligatoire d’obtenir mon consentement explicite pour pouvoir récupérer mes données.
Avec le federated learning, les terminaux deviennent des unités de traitements qui calculent les poids et les paramètres du modèle d’apprentissage localement au niveau de l’utilisateur final. Seules ces données calculées, ne portant plus d’informations personnelles, sont alors centralisées pour entraîner le modèle décisionnel. Cet algorithme d’apprentissage n’a donc plus besoin de collecter et stocker mes données personnelles dans une base centralisée. Cela supprime tous risques autour de la sécurité de ces informations sensibles. Cette approche pourrait être aujourd’hui une réponse possible à l’amélioration d’une multitude de services énergétiques développés pour lesquels les coûts et les délais pour collecter le consentement individuel et gérer les risques liés à la perte ou la fuite des données personnelles sont des intrants rédhibitoires à l’implémentation de solutions basées sur le deep learning; solutions, qui au final, seront potentiellement plus performantes et fiables.
Quelles opportunités le federated learning offre-t’il au secteur de l’énergie ?
Effacement diffus de la consommation, optimisation énergétique, optimisation de la consommation de la production des ENergie Renouvelables (ENR), autoconsommation, … Tous ces nouveaux usages autour de la gestion de l’énergie reposent sur des modèles de prévision de la consommation, de la production, des modèles décisionnels de planification des ordres qui nécessitent la collecte de données jugées personnelles et sensibles au niveau des individus, des collectivités ou professionnels. Ces consommateurs, qu’ils soient personne physique ou morale, hésitent bien souvent à confier leurs données à des tiers, soit pour des raisons de vie privée, soit pour des enjeux économiques ou industriels. En s’appuyant sur le principe de Federated Learning pour proposer des solutions intelligentes, les consommateurs n’auront plus à partager leurs données personnelles pour accéder à des nouveaux services énergétiques ; nouveaux services d’optimisation de ma consommation, de gestion de mon autoconsommation, … qui, de plus, seront beaucoup plus performants, qu’un service reposant sur la collecte de mes données personnelles.
Conclusion
Dans un marché qui tend vers la financiarisation des usages individuels de l’énergie, il semble qu’une solution, s’appuyant sur le Federated Learning et qui s’abstrait donc au passage des contraintes du RGPD pour proposer des services intelligents, aura un avenir prometteur sur le marché de l’énergie.
