Les services publics sont, fondamentalement, dans le secteur des actifs.

Il faut une énorme base d’infrastructure pour produire et distribuer de l’électricité, du gaz ou de l’eau, et l’entretien de cette infrastructure absorbe une part significative des dépenses d’exploitation (OpEx) des services publics. Lorsqu’un actif essentiel tombe en panne, le coût va bien au-delà de la simple réparation. Il peut y avoir des interruptions de service, des perturbations opérationnelles et, pour l’équipement spécialisé, de longs délais de remplacement.

C’est pourquoi la maintenance prédictive est un domaine naturel pour l’application de l’AI dans les services publics.

Les investissements dans l’AI augmentent et la question des dirigeants d’entreprise devient de plus en plus directe : où est le rendement ? Prévenir la défaillance d’un actif de grande valeur apporte une réponse beaucoup plus claire qu’une autre preuve de concept isolée.

Si une entreprise de services publics peut identifier un problème suffisamment tôt pour éviter une défaillance critique, cela représente de vraies économies opérationnelles et une valeur financière. 

Commencez par les actifs qui comptent le plus

La justification de la maintenance prédictive basée sur l’AI est la plus forte lorsque la valeur et l’importance de l’actif sont élevées.

Prenons l’exemple d’un transformateur haut de gamme. Ces actifs peuvent être conçus selon les exigences spécifiques d’un service public, ce qui signifie qu’un remplacement équivalent n’est peut-être pas disponible en inventaire en cas de panne.

L’occasion consiste à réunir les informations déjà existantes autour de cet actif : données des capteurs, historique de charge, analyse des gaz dissous, images thermiques et autres indicateurs de condition. Considérer un de ces signaux séparément ne vous donne qu’une partie de l’histoire. Les regrouper de façon répétée fournit à l’AI une base beaucoup plus solide pour l’identification d’une détérioration, surtout grâce aux tendances.

Ce principe s’étend à l’ensemble du secteur des services publics.

Pour les services publics d’eau et de gaz, les données d’inspection peuvent révéler un amincissement des parois, de la corrosion localisée et d’autres changements dans l’état des pipelines. Combiner ces observations avec d’autres informations opérationnelles permet aux services publics d’obtenir plus tôt une indication des endroits où des fuites de gaz ou des ruptures de conduites d’eau peuvent survenir.

C’est là que l’économie devient convaincante. L’objectif n’est pas d’appliquer le même niveau d’intelligence à chaque actif. Il s’agit de cibler d’abord l’équipement où une défaillance aurait les conséquences financières et opérationnelles les plus importantes. 

Les données doivent sortir des systèmes hérités

Les services publics possèdent déjà d’importants volumes de données sur les actifs et la maintenance. Le problème le plus difficile est d’y accéder dans une forme que l’AI peut exploiter.

Une grande partie de ces informations restent piégées dans des applications héritées ou séparées dans différents systèmes. En pratique, les données sont enfermées dans des technologies qui n’ont jamais été conçues pour l’usage qu’en veulent aujourd’hui les services publics.

Cela fait de la gestion des données, de la qualité des données et de la gouvernance des éléments clés du défi de la maintenance prédictive. La dette technique en fait également partie.

Cela ne signifie pas que chaque application héritée doit être retirée et remplacée. Dans bien des cas, les services publics peuvent moderniser une partie de l’environnement pour exposer l’information via des API et regrouper les données provenant de différentes sources.

C’est important, car les données consultées dans un contexte unique ne donnent rarement qu’une vue partielle de la situation.

Une fois que l’AI commence à corréler les informations à travers les systèmes, des modèles peuvent émerger qui seraient difficiles à identifier par la seule intuition humaine. Si ces relations étaient déjà évidentes, les ingénieurs les auraient probablement déjà identifiées, testées et mises en œuvre.

La vraie valeur de l’AI réside dans sa capacité à élargir ce champ de vision et à fournir aux ingénieurs une vue plus complète de l’état des actifs et du risque qui en découle. 

Investir dans la maintenance là où cela compte le plus

De meilleures prévisions ne servent que si elles modifient les décisions de maintenance.

Une grande partie de la maintenance des services publics a historiquement été dictée par le temps et les calendriers. Un actif atteint un certain âge ou une certaine période d’entretien, et une équipe est envoyée pour l’inspecter ou le réparer.

Mais l’âge à lui seul ne vous indique pas où se trouve le plus grand risque.

Un actif plus ancien sur un circuit peu chargé et non critique peut fonctionner en toute sécurité Plus longtemps. Ailleurs, un actif plus récent pourrait être en moins bon état, fortement sollicité et soutenir une partie critique du réseau.

Ce sont des priorités de maintenance très différentes.

L’AI permet aux services publics d’intégrer la condition, le risque et la criticité du réseau dans une même décision. Au lieu de répartir les efforts de maintenance selon le calendrier, les équipes peuvent orienter les ressources vers les actifs les plus mal en point des circuits les plus critiques.

Cela modifie l’économie de la maintenance, car les ressources de terrain limitées et les budgets sont déployés là où l’intervention a la plus grande valeur.

Cela comble également le fossé entre la prédiction et l’action. Un avertissement précoce n’est utile que si cela permet de modifier un calendrier de maintenance, de déclencher une visite terrain ou de permettre au service public d’intervenir avant la défaillance. 

L’AI doit soutenir le jugement, non le remplacer

Cela ne veut pas dire que chaque décision d’entretien doit devenir autonome.

Plus un actif est critique, plus la maintenance est étroitement liée à la prise de décision opérationnelle. Retirer de service un actif fortement sollicité peut nécessiter une fenêtre d’interruption et une réflexion approfondie sur ce qui se passera ailleurs dans le réseau.

L’AI peut identifier le risque en premier, mais un ingénieur doit tout de même comprendre les conséquences plus larges de l’action à prendre.

C’est là que le jugement humain reste essentiel.

Il y a une différence entre utiliser l’AI pour rendre l’expertise plus efficace et confier entièrement la prise de décision à la technologie. J’appelle cela l’abandon cognitif, et c’est précisément ce que les services publics doivent éviter.

Pour les décisions à faible risque, l’automatisation a beaucoup plus de place pour opérer. Au fur et à mesure que l’impact opérationnel et commercial augmente, les personnes doivent demeurer pleinement impliquées.

L’objectif est une maintenance pilotée et assistée par l’AI, avec des humains toujours responsables des décisions qui ont les conséquences les plus importantes. 

Pensez au-delà des équipements appartenant au service public

La même approche ne doit pas s’arrêter aux actifs conçus.

La végétation en est un bon exemple. Les services publics ne possèdent peut-être pas les arbres entourant leurs réseaux, mais ils sont souvent responsables de la gestion du risque que présentent ces arbres pour les lignes électriques et d’autres infrastructures.

La gestion traditionnelle de la végétation peut exiger des efforts importants sur de grandes surfaces sans toujours savoir où la menace est la plus grande.

De nouvelles sources d’information modifient cette équation. Les images satellites, le LiDAR, le radar et les données d’imagerie multispectrale offrent une vue plus riche de la végétation autour du réseau. L’AI peut utiliser ces informations pour localiser où se concentre le risque et aider les services publics à cibler l’intervention de façon plus précise.

Cela démontre également pourquoi la prédiction seule n’est pas suffisante.

Un arbre dangereux peut se trouver en dehors du corridor du service public, mais avoir tout de même la capacité de tomber sur une ligne. L’AI peut localiser le risque, mais le service public doit ensuite avoir des processus opérationnels lui permettant d’y accéder, d’obtenir l’autorisation et de gérer le risque.

La technologie détecte le problème, mais le modèle opérationnel détermine si des mesures seront prises en conséquence.

Des insights prédictifs à une meilleure rentabilité des actifs

La maintenance prédictive basée sur l’AI ramène finalement à un problème simple pour le secteur des services publics : comment obtenir plus de valeur d’une base d’actifs énorme tout en réduisant les coûts et les perturbations associés aux défaillances ?

La réponse commence par la consolidation des données fragmentées et l’utilisation de l’AI afin d’obtenir une vision plus complète de la santé des actifs. Ce constat doit ensuite influencer les priorités de maintenance, les activités sur le terrain et les décisions opérationnelles.

Lorsque ces éléments sont reliés, les services publics peuvent s’éloigner du modèle consistant à entretenir les actifs simplement parce que le calendrier l’indique, pour aller vers une intervention basée sur la condition, le risque et la criticité.

C’est là où la maintenance prédictive devient bien plus qu’un simple cas d’utilisation de l’AI et mène à une approche entièrement différente de la gestion des actifs de services publics en dirigeant les investissements en entretien vers les endroits où ils créent le plus de valeur opérationnelle et financière.