Exemple de mémoire de Master immobilier

Quand on parle de maintenance des bâtiments, on peut trouver différentes façons de le réaliser. Les opérations de maintenance sont définies par des verbes tels que nettoyer, vérifier, réviser, remplacer, prévoir la fréquence avec laquelle ces opérations doivent être effectuées, prévoir les moyens par lesquels ces opérations sont effectuées, etc. Les opérations de maintenance vont donc au-delà de la simple réparation de ce qui est cassé ou de la réparation de ce qu’on a laissé se détériorer.

La maintenance et le nettoyage des bâtiments sont des aspects fondamentaux qui aident à retarder leur vieillissement et leur détérioration. Dans ce le cadre de ce travail, nous nous intéressons plus particulièrement à la maintenance prédictive des bâtiments et de ce que cela consiste.

La maintenance prédictive est un système et une philosophie basés sur l’analyse de l’état d’un système par l’étude des données collectées et stockées grâce à la surveillance, mettant en relation l’usure d’un équipement avec ses performances. Grâce à cela, le nombre d’arrêts imprévus dus à une panne est réduit et la disponibilité globale du système est améliorée, tout en augmentant la productivité et en réduisant les coûts.

Différentes techniques sont disponibles pour effectuer la maintenance prédictive de tous les types d’infrastructures, parmi les plus courantes, nous pouvons trouver, par exemple, les ultrasons, car grâce à cette technique, les fuites de fluide peuvent être détectées dans tous les conduits et même dans les systèmes d’air comprimé au sein de l’infrastructure d’un bâtiment. Une analyse et une mesure des débits peuvent également être faites puisque le débit d’air est la quantité qui peut circuler en un certain lieu et à un certain moment sur une structure définie, en utilisant un baromètre pour vérifier les entrées et les sorties d’air, les niveaux peuvent être connus avec une grande précision non seulement dans les bâtiments, mais aussi dans les maisons, les industries et les bureaux. D’autres plusieurs techniques sont aussi disponibles, mais depuis l’arrivée grandissante des technologies de l’information et de la communication, la maintenance prédictive s’est davantage tournée vers l’intelligence artificielle.

La dynamique du secteur productif mondial est aujourd’hui marquée par l’augmentation croissante de la complexité des systèmes mécaniques mis en jeu et de l’interaction qu’ils entretiennent avec les différents composants électroniques. Le scénario actuel nécessite des politiques de maintenance qui garantissent une plus grande précision dans la détection, le diagnostic et la prédiction des pannes, ainsi qu’une augmentation des profits et des améliorations des niveaux de fiabilité et de performance des actifs, le tout dans le cadre d’un schéma de gestion optimale des actifs encadré dans la famille de normes. Une partie de la solution au problème d’obtention de performances optimales consiste à intégrer l’Ingénierie de Maintenance comme un facteur qui représente un gain dans le système de production, grâce à la mise en œuvre de technologies issues de domaines multidisciplinaires. En ce sens, l’intersection entre l’Ingénierie de la Maintenance et les Technologies de l’Information et de la Communication s’est traduite par le développement de concepts tels que l’e-maintenance qui visent à répondre aux besoins des organisations productives en termes de meilleure utilisation des ressources disponibles pour la gestion des biens. Un nombre considérable des développements technologiques qui émergent du concept d’e-maintenance reposent sur l’application de techniques de surveillance de l’état des actifs, pierre angulaire du concept de maintenance basée sur l’état. À leur tour, de nombreux programmes envisagent l’utilisation de techniques d’intelligence artificielle (IA) comme véhicules de traitement des signaux capturés par les capteurs qui surveillent l’état des actifs.

La maintenance prédictive, soutenue par l’avancement des technologies d’intelligence artificielle, devient de plus en plus courante dans de nombreux secteurs industriels. Selon les estimations de McKinsey, la maintenance prédictive permet d’économiser en moyenne 18 à 25 %, mais les coûts de résolution d’un problème de manière urgente plutôt qu’à l’avance peuvent être jusqu’à 10 fois plus élevés.

L’évolution de la maintenance a été imprégnée par le développement de ces technologies. Les approches de maintenance corrective et prédictive en association avec les technologies de l’industrie 4.0 permettent la mise en place d’une nouvelle approche orientée vers la maintenance prédictive basée sur l’intelligence artificielle (Mattioli, J. & al. (2018), apportant de multiples bénéfices tels que la certitude en prédisant quand une panne se produira, avec une gestion de la maintenance fiable et efficace.

Mais aujourd’hui, nous sommes plongés dans l’industrie 4.0, qui fournit une grande quantité d’informations au format de données massives ou Big Data aux entreprises de l’industrie. Ces données, collectées par les nombreux capteurs d’aujourd’hui, peuvent aboutir à des informations précieuses pour optimiser de nombreux procédés industriels. Par conséquent, le Big Data exploité correctement peut entraîner des économies de ressources considérables. Toutefois, la situation n’est pas forcément la même dans tous les secteurs d’activité, surtout lorsqu’il s’agit de la gestion immobilière, car l’immobilier est un secteur qui a pris du retard en termes de digitalisation par rapport à d’autres.

Ainsi dans le cadre de travail, nous avons comme objectif de répondre à la problématique suivante : « Dans quelle mesure l’intelligence artificielle pourrait être une aide à la solution pour la maintenance prédictive dans la gestion d’un immeuble ? ».

Chapitre I : La question de maintenance prédictive des immeubles

Définition maintenance prédictive d’un immeuble

L’entretien des bâtiments comprend toutes les actions nécessaires pour prendre soin et protéger une propriété afin qu’elle soit conservée beaucoup plus longtemps dans son état le plus optimal. Avec un bon entretien du bâtiment, il est possible de prolonger ses caractéristiques fonctionnelles, hygiéniques et esthétiques. Cela amène à agir avant que quoi que ce soit ne se produise, c’est-à-dire à anticiper les éventuels dommages que le passage du temps peut causer. Et c’est à ce moment-là que l’on parle de maintenance préventive des bâtiments.

La trajectoire du concept de maintenance a été lente et longue pour la plupart des entreprises. Cela a commencé par la maintenance dite réactive (remplacement de ce qui casse), s’est poursuivi par la maintenance préventive, dans laquelle un calendrier de remplacement des éléments (forets, huile,…) est établi, et a atteint la maintenance prédictive, où les machines sont surveillées, et les données analysées en temps réel afin de comprendre et de vérifier son état de fonctionnement, et les pièces dont les performances commencent à diminuer sont remplacées en fonction de l’analyse des données effectuée.

Figure 1 : Évolution de la maintenance

Source : OER Automation

La maintenance prédictive pour anticiper des défaillances

La maintenance prédictive dans les infrastructures permet d’établir une prévision adéquate sur l’usure ou l’état d’une installation, grâce à cette action, l’état opérationnel de l’équipement architectural peut être surveillé à travers la mesure des paramètres et des conditions de fonctionnement. La maintenance prédictive permet de calculer si une structure échouera et quand cela se produira, afin que les corrections appropriées puissent être apportées soit pour corriger ladite défaillance, soit simplement pour indiquer que la structure doit être démolie.

Comme la maintenance préventive, la maintenance prédictive a de nombreuses définitions.. La maintenance prédictive peut être comprise comme l’analyse à l’aide d’images infrarouges de composants électriques et de moteurs qui permet d’anticiper les pannes critiques.

La norme NF EN 13306 X 60-319 définit cette maintenance prédictive de la manière suivante : « maintenance conditionnelle exécutée en suivant les prévisions extrapolées de l’analyse et de l’évaluation de paramètres significatifs de la dégradation du bien ».

Ainsi, la maintenance prédictive consiste à effectuer un ensemble d’activités de surveillance et de diagnostic continu qui permettent une intervention corrective immédiate suite à la détection de tout symptôme de panne avant que celle-ci ne se produise. Il s’agit d’une stratégie de maintenance subordonnée à un type d’événement prédéterminé et est également appelée maintenance conditionnelle. De cette manière, la panne est évitée grâce à la détection de certains symptômes de panne. Cela permet de prendre des décisions avant que la panne ne se produise : changer ou réparer la machine à proximité d’un arrêt, détecter les changements anormaux de l’état des équipements et les corriger, etc.

A travers ces définitions, il est important de souligner la différence entre maintenance préventive et maintenance prédictive, car bien que semblant identique, les objectifs sont tout à fait différents.

Tableau 1 : Distinguer maintenance préventive et maintenance prédictive

Source : AFNOR.(2001).

Au sein de la maintenance préventive, les actions sont réparties en différentes branches différentes. D’une part, il y a la maintenance prédéterminée, également appelée maintenance préventive planifiée, qui correspond à la maintenance proposée par le constructeur avec ses horaires et ses réglages, et est également indépendante de l’état dudit bien. D’autre part, il existe la maintenance conditionnelle et la maintenance prédictive, qui se chargent d’agir avant que la panne ne se produise en étudiant les caractéristiques et le comportement de l’actif (AFNOR.(2001).

Parmi les avantages fondamentaux de la maintenance prédictive figurent la réduction des temps d’arrêt, l’optimisation de la gestion du personnel de maintenance, la possibilité de créer un historique du comportement mécanique, la connaissance exacte du délai d’intervention, la possibilité de prendre des décisions à des moments critiques.

Pour détecter ces signaux, des capteurs et des transducteurs sont placés dans les équipements, ce qui permet d’être averti en amont de l’évolution du défaut afin d’agir à temps. Selon les capteurs utilisés, on peut classer la maintenance prédictive en trois types :

Maintenance continue : cela consiste à placer des capteurs fixés en permanence pour transmettre des informations sur l’état du paramètre contrôlé ;
Maintenance périodique: avec ce type de maintenance, le temps entre les opérations de contrôle est proportionnel au taux de dégradation estimé ;
Maintenance latente : dans ce cas, il n’y a pas de suivi, mais des voyants lumineux, acoustiques, thermiques qui se succèdent,… et informent de sur lesquelles ils ont été préalablement calibrés (Fossier, S. and Robic ? P-O. (2017).

La maintenance prédictive, en outre, est synonyme d’amélioration de la productivité, de la qualité et de et l’efficacité. Des études confirment qu’un système prédictif permet d’économiser entre 8 et 12 % de plus qu’une maintenance préventive. Il est possible de quantifier les avantages de ce système comme suit :

Retour sur investissement : 10 fois.
Réduction des coûts de maintenance : 25 % à 30 %
Élimination des pannes : 70 % à 75 %
Réduction du manque de temps : 35 % à 45 %
Augmentation de la production : 20 % à 25 % (Sullivan et al. (2010)

Différence entre maintenance corrective et maintenance prédictive

La maintenance est généralement divisée en maintenance préventive, c’est-à-dire avant que la défaillance de l’actif ne se produise, et maintenance corrective, qui est effectuée lorsque la défaillance s’est déjà produite. En d’autres termes, selon le moment où la panne survient, il sera déterminé si une maintenance préventive ou corrective est effectuée. La maintenance corrective tente de réparer les dommages, d’un bâtiment par exemple, une fois qu’ils se sont déjà produits. Par exemple, on répare une porte alors qu’elle est déjà cassée (dans le cas d’une maintenance préventive, une surveillance nous ferait percevoir la possible arrivée de la défaillance)

Dans la maintenance prédictive, l’opérateur dispose de données vérifiées pour chaque élément du système qui lui permet de programmer ses actions, réduisant ainsi les temps d’arrêt dus à une panne mécanique et à la maintenance. S’il y a des problèmes qui sont détectés à l’avance, dans la plupart des cas, les problèmes d’importance et d’impact plus importants sont évités.

Enjeux et impacts de la maintenance prédictive

La maintenance prédictive consiste à évaluer à tout moment l’état de la machine par la mesure des symptômes qu’elle émet vers l’extérieur, à identifier tout problème présent ou imminent et à prévoir les moments où les actions correctives doivent être effectuées.

La maintenance prédictive est analogue à la médecine chez l’homme. L’inspection visuelle, les bilans de santé et les examens médicaux complets sont pour le corps humain comme la maintenance prédictive pour les machines et les bâtiments.

L’utilisation d’une stratégie de maintenance prédictive présente plusieurs avantages, notamment :

Le fait de détecter les pannes suffisamment tôt permet d’éviter des problèmes mécaniques majeurs, qui pourraient se transformer en pannes coûteuses ou potentiellement catastrophiques ;
La détection précoce des défauts permet de planifier les besoins de maintenance ;
Le fait de diagnostiquer l’état des infrastructures pendant son fonctionnement évite d’intervenir à intervalles réguliers. L’intervention est limitée au strict nécessaire, évitant les problèmes de toute nature (Levitt, J. (2011).

Chapitre 1 : L’intelligence artificielle au service de l’immobilier

Parmi toutes les technologies émergentes qui sont déjà utilisées pour automatiser les processus et effectuer des tâches sans avoir besoin de contrôle humain, l’Intelligence Artificielle (IA) se distingue avant tout. Cela étant, car elle répond aux stimuli environnementaux et adapte son traitement pour améliorer les actions qui sont menées. Cette technologie est principalement mise en œuvre par l’apprentissage automatique, le traitement du langage naturel, la vision par ordinateur, les robots physiques et l’automatisation des processus robotiques. Tous ces domaines peuvent être appliqués avec succès aux projets de construction afin d’améliorer en termes d’efficacité et, par conséquent, de réduire les coûts, les délais et les erreurs.

Pour les projets de construction, il existe trois applications clés de l’IA comme évoquées par Doxel A.I. (2018) :

Le premier est l’utilisation de cette technologie dans la planification (préparation de la conception et modélisation de la production) ;
Le second est le suivi de l’avancement des travaux tout au long de la phase de compilation, qui permet d’anticiper le risque avant qu’il ne se matérialise ;
Enfin, l’IA peut être appliquée pour cartographier les processus interfonctionnels en temps réel, produisant des informations utiles pour la prise de décision opérationnelle et stratégique.

Mais, avant d’entrer dans les détails des avantages de l’intelligence artificielle dans le domaine de l’immobilier, il nous semble important de commencer par donner quelques définitions de l’IA.

Définition de l’intelligence artificielle

L’Intelligence artificielle (IA) est l’une des branches de l’informatique qui suscite aujourd’hui le plus d’intérêt, en raison de son immense champ d’application. La recherche de mécanismes qui nous aident à comprendre l’intelligence et à en réaliser des modèles et des simulations est quelque chose qui a motivé de nombreux scientifiques à choisir ce domaine de recherche.

L’IA fonctionne avec la présence de deux éléments fondamentaux. Le premier est la puissance de calcul, qui comprend le développement de systèmes informatiques et de leurs machines permettant de traiter des données et d’effectuer des opérations dans un minimum de temps, augmentant la mémoire de stockage. Le deuxième élément est la macro data ou Big Data, qui alimente l’IA qui consiste en un grand volume de données produites par différentes sources (humaines, biométriques, machine to machine, grosses transactions, utilisation du web, réseaux sociaux, entre autres) et qui peuvent être structurés ou non et sont traités par différents outils pour obtenir des résultats différents (Faggella, D. (2019).

L’intelligence artificielle favorise l’accès aux données

L’utilisation continue de différentes technologies (sites Web, applications, services, capteurs intégrés dans les appareils, recherches sur Internet, réseaux sociaux, ordinateurs portables, Smartphones, appareils GPS, entre autres) a augmenté la quantité d’informations stockées chaque jour.

Depuis sa création, l’Intelligence artificielle n’a encore connu de définition unique et claire; il n’est donc pas surprenant qu’aujourd’hui encore, il n’y ait pas de définition unique. Tout comme la psychologie a identifié différents types d’intelligence humaine (émotionnelle, interpersonnelle, musicale, linguistique, kinesthésique, spatiale, etc.), les différentes définitions de l’intelligence artificielle mettent l’accent sur différents aspects ; bien qu’il y ait des similitudes entre eux. Voici quelques-unes des définitions initiales :

Étude du calcul qui observe qu’une machine est capable de percevoir, de raisonner et d’agir (Winston, 1992).
Construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains, car elles demandent des processus mentaux de haut niveau tels que l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique. (Minsky, 1968) ;
Une nouvelle entreprise passionnante qui fait réfléchir l’ordinateur… des machines à esprit, au sens littéral (Haugeland, 1985) ;
Branche de la science informatique concernée par l’automatisation du comportement intelligent (Luger et Stubblefield, 1993) ;
La machine intelligente est celle qui exécute le processus d’analyse, d’organisation et de conversion des données en connaissances, où la connaissance du système est une information structurée acquise et appliquée pour réduire l’ignorance ou l’incertitude quant à une tâche spécifique à accomplir (Piccinini, G. (2007).

D’autre part (Everitt, T., & Hutter, M. (2018) stipule que l’intelligence artificielle est une branche de l’informatique qui tente de reproduire les fonctions cognitives humaines telles que le raisonnement, la mémoire, le jugement ou la décision, puis de faire confiance à une partie de ces facultés, que nous considérer les signes d’intelligence, aux ordinateurs.

L’aspect artificiel de l’IA est assez clair : il fait référence à tout ce qui n’est pas naturel et, dans ce cas, créé par l’homme. Il peut également être représenté par l’utilisation de termes tels que machines, ordinateurs ou systèmes. Le terme intelligence est un concept beaucoup plus controversé, ce qui explique pourquoi il n’y a toujours pas de consensus sur la façon de définir l’IA, même parmi les experts (Mattioli, J. & al. (2018).

Par ailleurs, de nombreuses définitions générales reflètent cette approche, y compris la définition des systèmes d’IA utilisée par l’OCDE qui a été acceptée par les gouvernements nationaux : « Un système basé sur une machine qui peut, pour un ensemble donné d’objectifs définis par l’homme, faire des prédictions, des recommandations ou des décisions qui influencent les environnements réels ou virtuels. Les systèmes d’IA sont conçus pour fonctionner avec différents niveaux d’autonomie. De plus, les IA sont « des machines qui exécutent des fonctions cognitives similaires à celles des humains ».

En plus d’être des machines qui imitent les humains, l’IA peut également être comprise comme le domaine des connaissances associées à la conception de ces machines ou « la discipline de création d’algorithmes avec la capacité d’apprendre et de raisonner » (OCDE, 2018a).

En retenant l’approche des auteurs précédents, on peut dire que l’Intelligence artificielle est une discipline éminemment technologique qui poursuit la construction de machines et de programmes capables d’effectuer des tâches complexes avec une capacité et une efficacité égales ou supérieures à celles atteintes par les êtres humains. En général, on peut dire que l’intelligence artificielle est cette discipline qui a pour objectif l’étude du comportement humain, à travers l’analyse du comportement intelligent de l’être humain, que l’on peut appeler analyse des processus cognitifs, car ils se concentrent sur l’étude des processus internes qui conduisent à l’apprentissage.

L’abondance de données est souvent citée comme le principal moteur de l’engouement actuel autour de l’IA. Par exemple, un facteur clé contribuant à l’essor des applications d’IA est le fait que de nombreuses interactions quotidiennes sont désormais numériquement améliorées et génèrent des volumes importants de données. Il est estimé que 90 % des données mondiales ont été créées au cours des seules dernières années et que les taux de génération de données continuent de s’accélérer (Gringsjord, S. (2018). Ce phénomène est appelé « Big Data » (OCDE, 2015a) et se caractérise par :

La rapidité : les données sont générées et traitées à un rythme plus rapide que jamais cela n’a été le cas ;
Le volume : actuellement, une immense quantité de données est générée et stockée ;
La variété : les données sont présentées sous différentes formes et formats, y compris du texte, des images, de la vidéo et de l’audio.

Le volume de données actuellement collectées ne peut pas être analysé par les méthodes traditionnelles de stockage, d’accès et d’analyse, c’est pourquoi de nouveaux outils d’IA ont été développés, la mise en œuvre d’algorithmes et de statistiques permettant d’obtenir des résultats, tels que le comportement des personnes, leurs goûts, la prise de décision, la reconnaissance vocale, l’identification d’objets, le diagnostic de maladie, les économies d’énergie, le profilage pour analyser ou prédire les aspects liés à la performance professionnelle, la situation économique, la santé, les intérêts, la fiabilité, le comportement ou la localisation.

Actuellement, l’intelligence artificielle est appliquée à une grande variété de domaines et de disciplines. García (2012) précise qu’une grande partie de la responsabilité de tout cela incombe à Internet, dont la grande quantité d’informations facilite l’accès à de grandes quantités de données analysables et exige à son tour de nouvelles techniques permettant de traiter de telles quantités d’informations. Google est un exemple clair, dont le moteur de recherche est capable d’apprendre des clics des utilisateurs pour améliorer les résultats de recherche.

L’intelligence artificielle permet l’automatisation dans le traitement de l’information

L’IA et le Deep Learning permettent d’automatiser toutes les tâches de routine liées aux données, telles que l’intégration et la gestion des données. Les données peuvent être automatiquement triées en fonction de nombreux paramètres, éliminant ainsi le besoin d’examiner manuellement les données, comme c’était le cas dans les processus traditionnels.

En plus de traiter toutes les données disponibles, l’Intelligence Artificielle permet également de vérifier les problèmes de qualité ou les incohérences de celles-ci. Cette technologie devient un système de contrôle qualité efficace, dans le but que les systèmes analytiques et le Big Data soient capables de tirer des conclusions fiables qui aident à la prise de décision dans n’importe quel domaine d’activité (Gringsjord, S. (2018). Lorsque ces problèmes sont découverts, les applications basées sur l’IA peuvent automatiquement apporter des corrections ou signaler les anomalies et prendre des mesures correctives.

Intégration des données héritées

Il existe encore une grande quantité d’informations non numérisées ou dans des formats hors ligne, stockées sur des plateformes de gestion traditionnelles. La technologie avancée de l’Intelligence Artificielle permet de récupérer et de rendre accessibles ces données, grâce auxquelles elles peuvent être converties en formats lisibles par les systèmes et stockées dans le Cloud pour un traitement ultérieur, optimisant au maximum la business intelligence (Somers, J. (2013).

Développer des règles pour la gestion automatisée des données

Savoir quelles informations stocker et quoi rejeter est un problème très récurrent dans les tâches de gestion de toute entreprise, en particulier dans celles où le volume de données est très important. L’IA aide à prendre ces décisions, en analysant les modèles d’utilisation des données et en recommandant les stratégies optimales pour la gestion et le stockage des données Somers, J. (2013).

Application de l’intelligence artificielle dans l’immobilier
« Smart home » et Domotique

La science informatique est une branche qui a subi d’importantes transformations Techniquement, les maisons d’aujourd’hui sont considérées comme intelligentes ; un exemple en est l’application de capteurs de mouvement qui contrôlent l’éclairage. La possibilité de relier des détecteurs de mouvement pour une alarme de sécurité ou une détection d’intrusion est couramment utilisée dans les installations. Toutefois, ce ne sont que des exemples assez simples de l’utilisation de l’intelligence artificielle dans le domaine de l’immobilier. Actuellement, la domotique, une technologique très avancée, est de plus en plus élaborée et utilisée par les professionnels de l’immobilier.

En domotique, les appareils intégrés au réseau de contrôle apportent confort, sécurité et économies d’énergie dans une maison. La domotique est un nouveau type d’architecture intelligente qui répartit les économies d’énergie, tout en recherchant des solutions pour l’automatisation des maisons et des bâtiments. Il est pris en charge par des normes telles qu’EIB, Lonworks, X-10 ou KNX, entre autres (Somers, J. (2013).

La domotique est un moyen pour l’utilisateur des maisons automatiques de contrôler son espace quotidien avec l’utilisation simultanée de l’électricité, de l’électronique et de l’informatique, appliquée à la gestion technique des maisons. Les tâches quotidiennes d’une maison telles que le contrôle de la télévision, le chauffage, les lumières dans une ou plusieurs pièces, ainsi que les tâches planifiées telles que les alarmes, les détecteurs de fumée/gaz, les systèmes d’irrigation automatique peuvent remplir leur fonction établie à un certain moment à travers un système de contrôle.

Les maisons automatiques peuvent disposer de capteurs et de détecteurs qui alertent de la présence d’intrus aux abords de la maison, alertent de la présence de fumée/gaz suite à un mauvais raccordement ou dans la cuisine.

Avec le contrôle domotique dans les maisons, des économies considérables de consommation d’énergie sont réalisées, car l’intégration de la domotique permet d’agir de manière programmée et intelligente, en tenant compte d’aspects tels que la présence physique dans la maison ou les heures d’ensoleillement pour activer ou désactiver le l’éclairage et la climatisation. Actuellement, la domotique ne cesse de se développer, il y a de plus en plus de promoteurs qui intègrent la technologie domotique dans leur immobilier (Gaw, D. (2018).

Un système doté d’une intelligence domotique tel qu’une Smart Home peut être construit de telle sorte qu’il agisse comme un ”Electronic Butler”, qui détecte les caractéristiques des utilisateurs et de leur environnement, puis raisonne sur les données accumulées (capteur/actionné), et enfin sélectionne les actions à entreprendre qui profiteront aux utilisateurs (Levitt, J. (2011).

Smart city

L’évolution technologique que nous avons réalisée au cours du siècle dernier nous permet de planifier les villes du présent et du futur avec l’ensemble des systèmes et des éléments qui composent les “Smart Cities”. Avec ce terme, les professionnels se réfèrent à l’espace où les technologies de l’information et de la communication (TIC) sont appliquées, les fondements et les axes de l’urbanisme vert (conception architecturale et construction), afin de doter un noyau urbain d’une infrastructure garantissant un développement durable, une haute qualité de vie des citoyens et participation à la ville, ainsi qu’une plus grande efficacité des ressources disponibles (Gaw, D. (2018).

Le concept de ville intelligente a commencé à être utilisé au XXe siècle comme proposition de solution à divers problèmes posés par les grands centres urbains de l’époque (Gaw, D. (2018). Au fil du temps, ce concept a évolué en raison de l’évolution technologique que la société a subie, notamment avec le développement des télécommunications et l’apparition du téléphone, considérant la ville intelligente comme une étape de plus dans le développement social.

Ville digitale

Les piliers fondamentaux sur lesquels repose une ville intelligente sont les technologies de l’information et de la communication (TIC) et ce que l’on appelle “l’Internet des objets” qui permet sa gestion. À cet égard, le facteur le plus important est sans aucun doute le développement d’Internet depuis sa création, qui a permis d’obtenir des systèmes de communication et d’échange d’informations efficaces et rapides, ainsi que l’évolution exponentielle du développement des applications, plates-formes et interfaces qui permettent des interactions faciles pour les utilisateurs.

Dans le cadre du développement d’une “Smart City”, l’un des éléments les plus importants à mettre en avant est l’urbanisme intelligent à travers la construction de ce que l’on appelle les “Smart Buildings”. Ils peuvent être définis comme ces constructions qui, dès leur conception, incluent l’automatisation de leurs systèmes en plus d’être respectueuses de l’environnement, soit en tenant compte du lieu de leur construction, soit en favorisant les économies d’énergie dans leur construction, leur entretien et plus tard lors de leur utilisation. Autrement dit, un bâtiment intelligent est un super système interconnecté avec d’autres systèmes qui contrôlent ce bâtiment, comme Internet, qui connecte des ordinateurs individuels à un super réseau très large (Fan, C. ; Xiao, F. ; Zhao, Y. ; Wang, J. (2018).

Ville inclusive

Le cadre proposé par les auteurs actuels examine la manière d’intégrer efficacement l’utilisation de la technologie tout en encourageant l’apport du Big Data et de l’intelligence artificielle au cœur des villes intelligentes. En utilisant le calibrage minutieux des trois dimensions clés de la culture, du métabolisme et de la gouvernance, comme le prescrivent Allam et Newman (2018a), le modèle proposé vise à garantir que la qualité de vie de la société est préservée en encourageant la poursuite de l’apport technologique. Cela est illustré dans la figure ci-dessous :

Figure 2 : Le caractère inclusif des villes intelligentes

Source: Allam and Newman (2018a)

Selon ces auteurs, la technologie est un noyau fondamental des villes intelligentes où le Big Data peut émerger à travers l’IoT sur différents domaines. L’intelligence artificielle est alors proposée comme une caractéristique sous-jacente qui peut traiter, analyser et interpréter les données générées. Les dimensions fondamentales de la culture, du métabolisme et de la gouvernance, telles que prescrites, sont assurées dans ce cadre pour garantir que l’inclusion des mégadonnées et de l’intelligence artificielle qui est axée sur la qualité de vie humaine plutôt que sur le seul objectif d’intégration technologique à des fins économiques.

Une qualité de vie supérieure et des services de qualité

Une ville est intelligente lorsqu’elle tire parti des possibilités de l’urbanisme vert et des réseaux de télécommunications et informatiques tels que l’Internet des objets (IoT). Elle offre à ses citoyens une variété de services numériques et environnementaux dans le but d’enrichir le niveau de développement humain, économique et culturel des citoyens.

Exemples d’IA dans l’immobilier

Quelques applications de l’intelligence artificielle sont disponibles pour les acteurs du secteur immobilier. D’après une étude menée par Desruelles, V. (2019), ces applications concernent quatre domaines d’activité dans le secteur : gestion des bâtiments, marketing et relations clients, outils et valorisation.

Figure 3 : Les principales applications de l’IA dans l’industrie immobilière

Source : Xerfi Precepta (2019)

Dans le cadre de ce travail, notre réflexion porte essentiellement sur les applications concernant la gestion les bâtiments. Pour cela, nous avons choisi de présenter deux exemples d’applications IA utilisées par certains acteurs immobiliers dans le domaine de la maintenance prédictive : WeMaintain et AskPorter.

WeMaintain pour l’anticipation des pannes d’ascenseur

WeMaintain est une entreprise innovante qui œuvre dans le domaine de la maintenance des ascenseurs. Pour ce faire, l’entreprise propose une solution permettant à ses clients de prévenir les pannes avec une possibilité de contact rapide.

Les solutions proposées WeMaintain se basent essentiellement sur l’intelligence artificielle donc machine learning. La startup met ainsi en œuvre des algorithmes prédictifs, qui ont pour rôle d’effectuer des analyses sur les données recueillies quant à l’utilisation des ascenseurs dans les immeubles et de prédire la possibilité de survenance de pannes. En interne, cette startup, en mobilisant l’intelligence artificielle dans la maintenance prédictive, dispose de l’avantage de fluidifier la gestion des incidents avec une plus grande facilité dans la communication entre les gestionnaires ou les syndics et les propriétaires.

WeMaintain fournit bien plus que de simples services de maintenance : accès à une transparence complète du processus de maintenance et de réparation, analyse détaillée de l’utilisation pour la maintenance préventive, service sur mesure pour nos locataires.

AskPorter pour la gestion de biens virtuels

AskPorter est une Proptech londonienne dont la spécialité est la gestion et la conciergerie immobilière. Les algorithmes mobilisés par cette entreprise innovante permettent mobiliser un réel assistant virtuel et intelligent afin de venir en aide aux professionnels de l’immobilier dans la supervision et la maintenance des espaces et bâtiments qu’ils gèrent.

Comme WeMaintain, AskPorter est une plateforme de gestion immobilière dont les solutions proposées se basent essentiellement sur l’intelligence artificielle. Cette entreprise offre ses services à travers une fonction d’assistant numérique communiquant avec des agents, des gestionnaires de biens ainsi qi que des bailleurs. Dans ce contexte, l’entreprise, à la place de ses clients, effectue des tâches considérées normalement comme chronophages : tri de demandes de maintenance, etc. Le principal avantage des solutions proposées par AskPorter sont l’exploitation des algorithmes et l’automatisation des procédures.

Chapitre 2 : Le rôle de l’intelligence artificielle dans la maintenance prédictive d’un immeuble

L’une des clés d’une application réussie de l’IA dans la construction est la gestion des données. Il est nécessaire d’entreprendre une capture et un enregistrement qui évitent le chaos et permettent une utilisation adéquate, ainsi que son utilisation automatisée à partir de plateformes qui intègrent la variable temps réel dans la prise de décision. L’utilisation de l’Intelligence artificielle ou du Deep Learning permet une gestion de la maintenance prédictive plus efficace et plus rapide.

La maintenance prédictive évalue l’état d’un équipement en effectuant une surveillance périodique des données obtenues par les capteurs. L’objectif principal est d’effectuer les tâches de maintenance de manière à minimiser les coûts, et à cette fin, des algorithmes d’analyse de données et l’intelligence artificielle sont utilisés, afin d’optimiser les tâches de maintenance, en maintenant un équilibre entre les coûts et le bon fonctionnement des biens. De cette façon, les coûts dérivés d’un arrêt imprévu causé par d’éventuelles pannes qui ne pouvaient pas être prévues auparavant sont réduits, ce qui permet aux entreprises d’économiser beaucoup d’argent.

Maintenance prédictive et alertes situationnelles

Toutes ces données, capturées en temps réel et historiques, peuvent être utilisées pour améliorer la maintenance prédictive et permettre aux machines d’apprendre et de détecter les problèmes de manière autonome, d’afficher des alarmes, d’indiquer quand une pièce doit être changée ou, dans des cas extrêmes, l’arrêt. Afin d’extraire ces connaissances et de générer des modèles prédictifs permettant de détecter quand un défaut de production va se produire, l’Intelligence artificielle et les technologies cognitives sont utilisées, notamment les algorithmes de Deep Learning.

La composante prédictive vise à fournir une vision de l’état futur à court terme de l’équipement, établissant ainsi son état et n’effectuant la maintenance que lorsque cela est nécessaire. Pour cela, des algorithmes du domaine de l’intelligence artificielle sont utilisés, dans le cadre de ce qu’on appelle l’apprentissage automatique (apprentissage automatique) et des techniques avancées d’analyse de données, qui incluent l’analyse de séries chronologiques pour voir l’évolution des composants de la machine.

Valorisation et prédiction

Avant les avancées technologiques, les méthodes traditionnelles de maintenance prédictive dans le domaine immobilier ont fait face à de nombreuses difficultés. Actuellement, l’intelligence artificielle et l’apprentissage automatique ont changé la donne en améliorant la qualité des évaluations des données.

Pour mettre en œuvre la maintenance prédictive, il est nécessaire de disposer d’algorithmes qui apprennent et améliorent en permanence les modèles, et c’est là qu’interviennent les algorithmes d’Intelligence artificielle et d’Apprentissage en Profondeur.

Les architectures et les méthodes d’apprentissage en profondeur sont souvent définies comme une classe de réseaux de neurones d’intelligence artificielle dans lesquels un nombre élevé de couches et de neurones permettent l’abstraction de problèmes plus complexes et prennent en charge d’autres fonctionnalités telles que la capacité d’apprentissage non supervisé ou l’extraction automatique de fonctionnalités. Parmi les méthodes d’apprentissage en profondeur, les réseaux de neurones récurrents se distinguent, qui sont généralement utilisés lorsque les données sont traitées comme une séquence, où l’ordre particulier de celles-ci peut être important (Lee, S.M. ; Lee, D. ; Kim, Y.S. (2019). De plus, ces réseaux peuvent être combinés avec d’autres outils, tels que les réseaux de neurones convolutifs (CNN) pour générer et créer de nouveaux modèles permettant de répondre au problème de la maintenance prédictive.

Les méthodes traditionnelles d’évaluation pour l’évaluation et la prévision de la valeur d’un immeuble ne sont pas toujours exactes et plusieurs difficultés doivent être gérées. Mais grâce à l’évolution grandissante des technologies et l’introduction de nouveaux modules prédictifs avec des algorithmes d’apprentissage automatique, et leur implication sur les données recueillies à partir du PMS, il est désormais possible de faire une étude plus poussée de la relation complète entre une évaluation de la propriété et les différents éléments qui la composent.

Grâce à différents indicateurs de performance clés du PMS, tous les éléments permettant d’évaluer la performance d’un immeuble comme son état, ses utilisations et son cycle de la fréquence de sa maintenance alimentent le large ensemble de fournissent un large éventail de données pour prédire l’évaluation future grâce à l’apprentissage automatique.

Ainsi dans les maintenances prédictives, les algorithmes d’intelligence artificielle donnent l’avantage de faire des prédictions pertinentes grâce à l’exploitation des données et l’apprentissage automatique sur la base de différents modèles. il alors possible de prédire la durée de vie potentielle de certains systèmes.

Données complètes et analyses

Grâce à un PMS complet il est possible de visualiser toutes les données qui sont disponibles sur les systèmes internes et externes. Cela se fait généralement à travers un tableau de bord intégré mettant en évidence les indices de performance de la propriété. Ces données jouent un rôle crucial dans la mesure où leur exploitation et leur analyse permettent de prendre connaissance des modèles cachés en termes gestion et d’opérations ainsi que les informations prédictives afin que les gestionnaires puissent prendre des décisions issues de ces modèles.

Figure 4 : Les indicateurs de performance figurant sur le tableau de bord PMS

Source : Sapkota, K. (2019)

Comme le montre la figure ci-dessus, les indicateurs mettent en évidence les statistiques en temps des données se rapportant aux biens ainsi qu’aux activités de maintenance. Ainsi, avec la multitude gamme d’automatisation opérationnelle et les différentes pratiques logicielles innovantes, les processus de gestion et de maintenance sont considérablement améliorés.

Maintenance prédictive et machine learning

Avec l’innovation et les progrès technologiques récents, de nombreuses tâches de routine qui prenaient des heures par des employés humains sont automatisées, et une machine ou un système dans de nombreux cas peut s’exécuter plus rapidement et avec plus de précision. Pour la gestion immobilière, en particulier, une énorme avancée dans les réseaux de neurones et les algorithmes a permis de résoudre des problèmes et de prendre des décisions précieuses. Il peut s’agir d’un processus de rationalisation comme l’automatisation du crédit-bail et de la location, l’automatisation des bons de travail ou même un processus comptable avec moins d’intervention humaine. La plupart des tâches fastidieuses, répétitives et sujettes aux erreurs dans la gestion immobilière incluent la collecte et l’analyse de données relatives à la propriété et aux informations sur les résidents. Avec la solution basée sur l’IA, ces données/informations peuvent être stockées et analysées avec précision.

Définition de l’apprentissage automatique

L’apprentissage automatique (ML ou Machine Learning en anglais) est une science, qui s’inscrit dans la branche de l’intelligence artificielle, qui vise à développer des techniques qui permettent à la machine d’avoir la capacité d’apprendre par l’expérience (Sapkota, K. (2019). Ces dernières années, l’application de ces techniques a augmenté de façon exponentielle, et sont utilisées dans des actes quotidiens. L’intelligence artificielle, le Machine Learning et le Deep Learning sont également déjà présents dans tous les domaines d’activité où il y a une grande quantité de données à étudier, cela peut aller de la médecine, la finance, l’étude du comportement humain, l’industrie, etc. (Gunay, B. ; Shen, W. ; Newsham, G. (2019).

L’apprentissage automatisé ou Machine Learning est tellement développé qu’il peut détecter un comportement inhabituel. Nous pouvons citer quelques exemples tels que les diagnostics de maladies, la détection de fraude lors de l’utilisation de cartes de crédit, l’analyse des marchés financiers, la classification des séquences d’ADN, la reconnaissance de formes dans les images, la reconnaissance vocale, etc. L’intelligence artificielle est utilisée pour le développement de la société dans son ensemble, comme éviter les accidents, diagnostiquer la tuberculose à ses débuts (Curioso & Brunette, 2020).

Figure 5 : Illustration des concepts

Source : Sapkota, K. (2019

Les méthodes d’apprentissage automatique sont de loin supérieures pour analyser les données provenant de plusieurs sources. Les informations transactionnelles, les informations provenant des médias sociaux ou les informations provenant de systèmes comme le CRM peuvent dépasser la capacité des techniques traditionnelles d’analyse de données. Au contraire, l’apprentissage automatique haute performance peut analyser un ensemble complet de Big Data, au lieu d’obliger les utilisateurs professionnels à se contenter d’un échantillon représentatif qui, après tout, reste juste cela, un échantillon. Cette évolutivité permet non seulement aux solutions prédictives basées sur des algorithmes sophistiqués d’être plus précises, mais renforce également l’importance de la vitesse du logiciel. De cette manière, il est déjà possible d’interpréter en temps réel les milliards de lignes et de colonnes qui doivent être investiguées, tandis que l’analyse du flux de données qui arrive ne s’arrête pas.

Lorsque cette technologie est démocratisée et intégrée aux techniques d’analyse de données déjà utilisées dans l’organisation, l’entreprise gagne non seulement en connaissances, mais accélère également considérablement le temps nécessaire pour générer des connaissances de qualité. De cette manière, toute organisation, quelle que soit sa taille, peut exploiter un potentiel concurrentiel sans précédent.

Les outils de l’apprentissage automatique

Les concepts derrière l’apprentissage automatique consistent à utiliser les caractéristiques des données pour regrouper, classer ou prédire la réponse future des variables. Afin de classer et de prédire la réponse des données, le modèle d’apprentissage automatique divise l’ensemble de données en données d’apprentissage (~ 70 % des données) et en données de test (~ 30 % des données) (Lee, S.M. ; Lee, D. ; Kim, Y.S. (2019).

Figure 6 : Types et applications de l’apprentissage automatique

Source : Conway, J. (2018)

Le Deep learning, la résolution de tâches complexes

Le domaine de l’intelligence artificielle est essentiellement celui où les machines peuvent effectuer des tâches qui nécessitent généralement l’intelligence humaine. Il englobe l’apprentissage automatique, où les machines peuvent apprendre par expérience et acquérir des compétences sans intervention humaine. Le Deep learning est un sous-ensemble de l’apprentissage automatique où les réseaux de neurones artificiels, des algorithmes inspirés du cerveau humain, apprennent à partir de grandes quantités de données. De la même manière que nous apprenons de l’expérience, l’algorithme d’apprentissage en profondeur effectuerait une tâche à plusieurs reprises, en l’ajustant un peu à chaque fois pour améliorer le résultat. Nous nous référons au terme «Deep learning» parce que les réseaux de neurones ont différentes couches (profondes) qui permettent l’apprentissage. À peu près n’importe quel problème qui nécessite une réflexion pour être résolu est un problème que le Deep learning peut apprendre à résoudre (Boyes, H. & al (2018).

La quantité de données que nous générons chaque jour est stupéfiante – actuellement estimée à 2,6 quintillions d’octets – et c’est la ressource qui rend possible l’apprentissage en profondeur (Zheng, A. ; Casari, A. (2018). Étant donné que les algorithmes d’apprentissage en profondeur nécessitent une tonne de données, cette augmentation de la création de données est l’une des raisons pour lesquelles les capacités d’apprentissage en profondeur se sont développées ces dernières années. En plus de créer davantage de données, les algorithmes d’apprentissage en profondeur bénéficient de la plus grande puissance de calcul disponible aujourd’hui ainsi que de la prolifération de l’intelligence artificielle (IA) en tant que service (Faggella, D. (2019). L’IA en tant que service a permis aux petites organisations d’accéder à la technologie de l’intelligence artificielle et plus particulièrement aux algorithmes d’IA nécessaires à l’apprentissage en profondeur sans un investissement initial important.

Dans le domaine de la maintenance, le Deep learning permet de résoudre des problèmes complexes même en utilisant un ensemble de données très diversifié, non structuré et interconnecté. Plus les algorithmes d’apprentissage en profondeur apprennent, mieux ils sont performants.

Les réseaux d’apprentissage en profondeur apprennent en détectant des structures complexes dans les données qu’ils reçoivent. En créant des modèles informatiques composés de plusieurs couches de traitement, les réseaux peuvent créer plusieurs niveaux d’abstraction qui représentent les données (Boyes, H. & al (2018). Par exemple, un modèle d’apprentissage en profondeur connu sous le nom de “réseaux de neurones convolutifs” peut être formé sur un grand nombre (des millions) d’images (Zheng, A. ; Casari, A. (2018). Ce type de réseau neuronal apprend généralement des pixels qui contiennent les images qu’il acquiert.

Autoencoders pour des tâches d’apprentissage non supervisées

L’apprentissage non supervisé utilise des algorithmes d’apprentissage automatique pour analyser et regrouper des ensembles de données non étiquetés. Ces algorithmes découvrent des modèles cachés dans les données sans nécessiter d’intervention humaine (ils ne sont donc pas « supervisés »). Les modèles d’apprentissage non supervisé sont utilisés pour trois tâches principales : le regroupement, l’association et la réduction de la dimensionnalité. Parmi ces outils, il y a les encodeurs automatiques.

Un encodeur automatique LSTM est une implémentation d’un encodeur automatique de flux de données utilisant une architecture d’encodeur-décodeur LSTM. Une fois ajustée, la partie de codage du modèle peut être utilisée pour coder ou compresser des données de séquence qui, à leur tour, peuvent être utilisées dans des visualisations de données ou comme entrée vectorielle de caractéristiques dans un modèle d’apprentissage supervisé. Il s’agit d’une méthode d’apprentissage non supervisée, bien que techniquement elle soit formée par des méthodes d’apprentissage supervisées, appelées auto-supervisées. Ils sont généralement formés dans le cadre d’un modèle plus large qui tente de recréer l’entrée.

Les encodeurs machine sont un type de modèle d’apprentissage auto-supervisé qui peut apprendre une représentation compressée des données d’entrée ;
Les autocodeurs LSTM peuvent apprendre une représentation compressée des données de flux et ont été utilisés sur des données de flux vidéo, texte, audio et de séries chronologiques (Faggella, D. (2019).
Pour le traitement de données séquentielles

Les techniques d’analyse de données ont un solide support dans l’apprentissage automatique pour la génération de connaissances. L’apprentissage automatique exploite les statistiques et de nombreux autres domaines des mathématiques. Son principal avantage est la vitesse.

Cependant, il faut tenir compte du fait que la rapidité qui caractérise ce type d’intelligence artificielle provient de la puissance de traitement, séquentielle et parallèle, et de la capacité de stockage en mémoire. Cependant, le potentiel de l’apprentissage automatique pour compléter d’autres techniques d’analyse de données plus traditionnelles est lié à la capacité de réapprendre la représentation des données (Marcus, Gary (2018).

Lorsque la portée des techniques d’analyse de données est complétée par les possibilités de l’apprentissage automatique, il est possible de voir beaucoup plus clairement ce qui compte vraiment en termes de génération de connaissances, non seulement au niveau quantitatif, mais également en assurant une amélioration qualitative significative.

Figure 7 : Les avantages de l’intelligence artificielle sur le processus de gestion des biens

Source : Sapkota, K. (2019)

L’lOT comme un levier de la maintenance anticipée

L’« Internet des objets » (IoT) désigne, une technologie basée sur la connexion d’objets du quotidien à Internet qui échangent, agrègent et traitent des informations sur leur environnement physique pour fournir des services à valeur ajoutée aux utilisateurs (Boyes, H. & al (2018). Il reconnaît également les événements ou les changements, et ces systèmes peuvent réagir de manière autonome et appropriée. Son but est donc de fournir une infrastructure qui surmonte la barrière entre les objets du monde physique et leur représentation dans les systèmes d’information.

L’Internet des objets (IoT) est un sujet brûlant dans l’industrie technologique. Cette technologie s’incarne dans une large gamme de produits, systèmes et capteurs en réseau, qui tirent parti des progrès de la puissance de calcul, de la miniaturisation des composants électroniques et des interconnexions de réseaux pour offrir de nouvelles capacités qui n’étaient pas possibles auparavant.

Pour surveiller les performances en temps réel, les capteurs IoT (Internet des objets) s’intègrent aux plates-formes pour saisir des données et ainsi simuler des opérations. Cette approche permet une analyse plus approfondie pour rechercher et répondre en permanence aux opportunités d’optimisation, en particulier celles liées à la maintenance préventive. Pour effectuer une maintenance prédictive, il est important d’être en mesure de surveiller certains paramètres et d’extraire des données. Pour capter ces paramètres et voir leur évolution, des technologies telles que l’IoT entre en jeu.

Les technologies IoT permettent de collecter des données à partir de capteurs, actionneurs et autres équipements, en temps réel, et de rendre ces informations disponibles n’importe où. Les paramètres à surveiller dépendront beaucoup du type d’actif à examiner et de sa fonction. Par exemple :

Le bruit : Le modèle sonore, ou simplement le volume du bruit généré par certaines parties d’une machine, peut fournir des informations sur son éventuelle usure ou sa panne prévisible ;
La vibration : les changements dans les vibrations des machines peuvent être le signe d’une panne ou d’une usure possible d’un composant ;
La température (via des capteurs ou même des images thermographiques) : les points de surchauffe peuvent être un indicateur d’une éventuelle panne ;
La pression : les changements de pression hydraulique dans certains éléments peuvent être utilisés pour détecter des obstructions ou des fuites (utilisateurs (Boyes, H. & al (2018).

Depuis les grands progrès technologiques, les capteurs IoT sont associés continuellement avec les logiciels et y sont diffusés. Les données qui y sont obtenues sont alors prises en charge et analysées par l’intelligence artificielle et l’apprentissage automatique afin que le comportement du système soit mis en évidence.

Tableau 2 : Cas d’utilisation potentiels et capteurs IoT pour l’automatisation de la gestion des biens, leurs usages et leurs bénéficiaires

Source : Sapkota, K. (2019)

Les capteurs installés sur les logiciels offrent différents types d’informations afin de surveiller toutes les activités : fonctionnalité des appareils installés, état du bâtiment, consommation d’énergie, etc. Pour une meilleure collecte de données, les dispositifs IoT installés à travers les logiciels se conforment à des processus établis comme montrés par la figure présentée ci-dessous :

Figure 8 : Processus de collecte et d’évaluation des données des dispositifs IoT via le
logiciel de gestion immobilière intégré.

Source : Sapkota, K. (2019)

Des séries de procédures sont suivies pour optimiser la collecte des données commençant par la capture des données à travers les systèmes IoT et puis par leur transfert sur les interfaces PMS et enfin leur traitement par l’intelligence artificielle et l’apprentissage automatique. La difficulté à traiter et à interpréter la quantité de données obtenues est contournée par les différentes possibilités de modélisation offertes par l’intelligence artificielle.

Cas d’utilisation

Afin de comprendre le rôle et les avantages de l’intelligence artificielle dans l’immobilier, notamment dans le domaine de la maintenance prédictive des immeubles, il nous semble important de présenter quelques cas d’utilisation. Les cas d’utilisation qui sont présentés dans cette section sont issus d’entretiens que nous avons effectué auprès d’entreprise de gestion immobilière, notamment des ascensoristes. Deux entretiens ont été effectués et chaque entretien porte sur la maintenance prédictive des ascenseurs.

Dans le cadre de la maintenance prédictive des ascenseurs, les entreprises font appel à des logiciels. Toutefois, le type d’outils et de logiciels utilisés est différent pour chaque entreprise.

Tableau 3 : Les entreprises étudiées et les logiciels utilisés dans la maintenance prédictive des ascenseurs

Personnes interviewées	Entreprises	Fonctions	Type de logiciels utilisés
Cédric de la CHAPELLE	KONE France	Directeur Modernisation	IBM WATSON
Francesco RINALDI	SCHINDLER	Directeur des installations existantes	Cloud et logiciels intégrés

KONE France est spécialisé dans le domaine de maintenance prédictive des ascenseurs. L’entreprise est 1er ascensoriste à avoir fait de la maintenance prédictive.

IBM Watson pour palier aux problématiques liées aux ascenseurs

KONE France fait appel à IBM WATSON pour la maintenance prédictive des ascenseurs. Ce logiciel a été choisi pour gérer les différentes problématiques rencontrées dans la maintenance des ascenseurs et pour offrir des services différents aux clients : « En effet le client nous a dit que l’impact d’une panne était trop important et donc il voulait savoir si on était capable de trouver un service nouveau à proposer dont on ne pouvait pas garantir qu’il n’y aurait pas de panne, mais en tout cas tout faire pour l’éviter. On l’a bien fait pour nos clients, mais pas pour nous. Cela fait déjà 5 ans que nous sommes dessus. On l’a démarré en 2018, tout en ayant commencé à travailler dessus en 2016 »¹.

Les sources des données

Les données traitées proviennent d’un boitier et tous les capteurs y sont placés : « L’intérêt du boitier est qu’il collecte énormément de données et sont posés sur tous leurs ascenseurs. Ce sont des données autour de l’ascenseur qui vont nous permettre de recréer les données »². Les données sont récoltées à chaque trajet d’ascenseur.

Le type d’IA mobilisé pour faire de la maintenance prédictive

Afin de mener à bien ses activités de maintenance prédictive, KONE France a décidé de faire appel à un professionnel de l’intelligence artificielle : IBM WATSON. « L’intelligence artificielle est un outil d’aide au diagnostic, c’est pour cette raison que nous avons fait appel à eux »³. Également, l’entreprise considère qu’étant leader mondial, IBM Watson est efficace et cela est prouvé dans les résultats.

Les informations obtenues sont envoyées aux techniciens à qui sont fournis trois scenarii. En fonction de la panne qu’il verra sur place, il choisira l’un des scenarii de réparation qui correspond ou bien il y procédera selon sa propre expertise. C’est à partir delà qu’IBM WATSON intervient : « Selon la réparation qu’il a opéré et l’exactitude de la pièce changée, l’information sera ensuite transmise à IBM WATSON qui améliora l’information (l’apprentissage, l’intelligence artificielle de la machine) en apprenant de ce retour »⁴.

Toutefois, le responsable affirme qu’à force de travailler sur les scénarii avec les techniciens, il a été possible de rassembler toutes les données à travers les solutions des techniciens, car selon lui, à force d’apprendre et transmettre les infos l’IA a pu être créée : « Maintenant aujourd’hui nous sommes à 50 %. 70 % des diagnostics de pannes sont digitalisés dans notre IA. On n’a pas tous les scénarii de pannes, mais le boitier continu d’être alimenté. Elles font qu’on a 50 % de pannes en moins au total. Au total nous avons 20 000 ascenseurs connectés en France »⁵.

Le taux de précision de l’IA développée

Le Directeur Modernisation chez KONE France affirme que le modèle d’intelligence développée pour la maintenance prédictive des ascenseurs est très élevé : « Sur nos scenarios, on est très précis. J’ai du mal à donner un chiffre, mais à nos clients ont donné 50 % de taux de panne évitée »⁶.

Les économies réalisées par les gestionnaires via le modèle

Selon l’interviewé chez KONE France les économies réalisées à travers la maintenance prédictive via l’intelligence artificielle sont amorties à la première panne évitée : « Le cout de l’impact de la panne qui va faire faire des dépenses au client. C’est pourquoi l’anticipation permet d’éviter cela »⁷.

L’interviewé chez KONE France stipule également que les clients réalisent un important gain de temps en termes de prestation de services ainsi qu’une tranquillité d’esprit : « Ils ont l’impression d’avoir une permanence sur site 24/24h. 97 % de nos clients ont renouvelé leur contrat de maintenance prédictive »⁸.

Cloud et logiciels intégrés pour gérer les problèmes liés aux ascenseurs

Dans ce second cas d’utilisation, nous étudierons celui de SCHINDLER, une entreprise spécialisée également dans la maintenance prédictive des ascenseurs. Selon notre interviewé au sein de cette entreprise, la moitié des pannes d’ascenseurs concernent les portes (infiltrations d’eau, choc, gêne à la fermeture, etc.). Dans ce contexte, tout ce qui est techniques peuvent être prévenus.

Les sources des données

Pour capturer les données liées aux ascenseurs, SCHINDLER fait appel à une armoire électrique à la place des câbles qui sont l’interviewé peuvent être source de pannes : « Nous pouvons installer un nombre de capteurs indéfinis. Chez SCHINDLER, les capteurs ne sont pas forcément bons, car ils peuvent être vecteurs de pannes, et en plus quelques grammes de fils en plus sur l’ascenseur peuvent générer des distorsions. Par conséquent, les ascensoristes, parfois obligés d’utiliser ces technologies, subissent des pannes qui ne dépendent pas des ascenseurs ce qui induit des déplacements inutiles des techniciens »⁹.

L’armoire électrique est installée, avec un logiciel embarqué, dans chaque ascenseur. Cet outil produit des informations exploitables et des codes erreur auxquelles les ascensoristes peuvent avoir accès : « …. Les sources de captures de données ne proviennent pas d’élément extérieur, mais proviennent de la source du problème de l’ascenseur »¹⁰.

Le type d’IA mobilisé pour faire de la maintenance prédictive

Pour optimiser la maintenance prédictive des immeubles, SCHINDLER a à disposition un Cloud dans lequel les données sont récoltées. Cela a été possible grâce a un contrat avec général électrique et Microsoft Azur.

Selon notre interviewé chez SCHINDLER, l’intelligence artificielle a été choisi comme solution pour optimiser les maintenances prédictives, car cela permet de compléter le savoir-faire du technicien. Toutefois, ce responsable affirme que l’intelligence artificielle ne peut pas remplacer les capacités humaines : « … Il est nécessaire de garder un standard de qualité et de sécurité. Par conséquent, l’IA permet de mieux réagir et améliorer l’intervention du technicien afin de satisfaire l’expérience client »¹¹.

Le taux de précision de l’IA développée

Pour ce qui et du taux de précision, l’interviewé chez SCHINDLER évoque une diminution de 30 % des pannes grâce à la maintenance prédictive tout en stipulant que : « Il est très difficile de démonter qu’une panne est arrivée alors qu’on l’a évité avec la maintenance prédictive. Cependant, nous pouvons dire qu’on s’est aperçu d’une diminution de 30 % des pannes grâce à la maintenance prédictive. Pour cela on se base sur les taux d’évolution du service envers les clients. »¹².

Les économies réalisées par les gestionnaires via le modèle

Grâce à l’intelligence artificielle, ce responsable affirme également que leur équipe gagne en moyenne 3 heures sur le délai classique d’intervention : « il faut compter 24 à 48 heures en général pour que le client informe le prestataire de la panne, alors que les ascensoristes, grâce à la maintenance prédictive et l’intelligence artificielle, savent tout de suite et parfois interviennent alors même que le client n’avait remarqué la panne. On parle d’un système de monitoring »¹³.

Également, SCHINDLER constate une baisse des pannes sèches depuis la mobilisation de l’intelligence artificielle dans le cadre des maintenances prédictives : « nous avons constaté que les ascenseurs connectés on atteint une amélioration de 30 %. De plus, au lieu d’avoir 3 pannes par an nous en avons plus que 2 ».

Les avantages constatés par les clients depuis l’utilisation de l’IA

L’utilisation de l’intelligence artificielle dans les services de maintenance prédictive permet aux clients de faire de gains sur les dépenses d’entretien : « S’il y a des pannes sans IA il faudrait prévoir 5 000 € en plus. S’il y a un problème alors que l’IA est activée on n’aura pas les 5 000 € en supplément, car la panne aura été réglé à temps avant que la panne ne dégénère »¹⁴.

Par ailleurs, le responsable chez SCHINDLER affirme que l’utilisation du digital et de la connectivité leur a permis de se différencier par rapport à la concurrence grâce à une plus grande satisfaction des clients : « Nous avons inauguré le volet digital, le Macro Dashboard, et le fichier symptôme avec des gros clients (bureau d’étude, PM) pour leur présenter cette nouvelle technologie dans nos ascenseurs et leur permettre une prise de conscience de l’innovation. En d’autres termes, qu’ils comprennent ce que l’on réalise afin de faire en sorte de s’améliorer. Actuellement, et jusqu’à maintenant, nos clients sont satisfaits »¹⁵.

Ainsi, l’intérêt de l’alliance « maintenance prédictive et intelligence artificielle » pour le client est une réduction des pannes, une meilleure maitrise du budget ainsi qu’une intervention plus rapide.

Pour SCHINDLER, l’intérêt porte plutôt sur une organisation plus performante, des interventions plus ciblées, un gain de temps et ne mise en service plus rapide et efficace pour le client. Toujours selon notre interviewé, « L’important reste de se démarquer des concurrents. Il existe deux stratégies : le red ocean et le blue ocean… Nous visons le blue ocean dans la mesure où il n’y aurait plus de concurrence, contrairement au red ocean ou le prix permet de s’installer sur le marché et faire face à la concurrence »¹⁶.

Chapitre 3 : La question de réglementation et les défis à relever

Bien que l’utilisation de l’intelligence artificielle dans les services de maintenance prédictive offre de nombreux avantages que ce soit pour les entreprises et leurs clients, des défis restent à soulever. Parmi ces défis, il y a les freins technologiques et la sécurisation des données des clients.

Freins technologiques et réglementaires de l’accès aux données

Accès à des quantités suffisantes de données

Du côté de la gestion du secteur immobilier, les outils d’IA peuvent effectuer une analyse fonctionnelle d’un bâtiment dans les domaines de l’énergie, de la protection contre les incendies et de la sécurité et peuvent être utilisés pour automatiser les installations du bâtiment. Des systèmes d’éclairage et de chauffage “intelligents” peuvent être mis en place pour économiser l’énergie. L’IA et les données peuvent donc être utilisées pour montrer les économies de valeur pour les bâtiments.

Toutefois, force est de constater que l’accès à des données de quantité suffisante n’est pas toujours facile, notamment lorsque les flux d’activités sont assez rares. C’est une difficulté à surmonter par les acteurs de l’immobilier qui souhaitent exploiter toutes les potentielles de l’intelligence artificielle et de l’apprentissage automatique. Une analyse menée par Vincent Desruelles, un spécialiste immobilier au sein de Xerfi, démonter que les bases de données sont assez limitées, ce qui peut provoquer des difficultés dans la constitution d’historique sur les activités.

La disponibilité des applications

Les applications d’intelligence artificielle dans le domaine de la maintenance prédictive immobilière sont également assez rares. Vincent Desruelles, souligne en effet que cela fait parti des défis à relever par les acteurs de l’immobilier qui se lancent dans cette course à l’IA. Selon ce spécialiste de l’immobilier, les applications pour la construction de modèles prédictifs solides se trouvent encore à ses débuts, ce qui peut compromettre les promesses faites aux clients quant à la question de qualité et de performance.

Recherche de mains d’œuvres qualifiée

La technologie de l’intelligence artificielle perturbe de nombreux aspects de l’immobilier commercial, et la gestion immobilière est le dernier secteur à voir les avantages des outils d’IA. Les sociétés de gestion immobilière signalent que les plus grands défis sont liés aux employés et freinent la croissance de l’entreprise, mais les nouvelles technologies et les outils d’IA attirent les jeunes talents dans le secteur et donnent aux gestionnaires immobiliers le temps de se concentrer sur la stratégie et la croissance de l’entreprise. Les problèmes de personnels qualifiés concernent principalement les domaines des data scientists (Desruelles, V. (2019). Également, force est de constater que les entreprises de la gestion immobilière se trouvent en forte concurrence avec les entreprises innovantes en termes de recrutement : « Le recrutement, la fidélisation à travers des éléments non financiers ou la montée en compétence en interne des collaborateurs sont donc des enjeux majeurs pour la réussite des projets d’IA dans l’immobilier » (Desruelles, V. (2019).

Les limites réglementaires

La réglementation de l’IA est un problème émergent dans le monde entier et les décideurs politiques ont la difficile tâche de trouver le juste équilibre entre encourager son développement et gérer les risques associés. En effet, comprendre les implications de l’utilisation de l’IA par les entreprises réglementées est déjà une priorité pour les régulateurs et les superviseurs, comme le montre le nombre de discours et de documents de discussion publiés par les autorités internationales et européennes.

Les progrès rapides de la technologie et des outils d’IA ont apporté des changements qui permettent de traiter des millions de données dans différentes parties du monde et par différents acteurs à une vitesse inimaginable. Ces évolutions ont rendu la réglementation obsolète face à ces nouveaux enjeux (Anyoha, R. (2017).

Pour faire face à cette situation, les responsables du traitement de données personnelles doivent veiller au respect des principes établis dans la loi sur la protection des données personnelles :

Légalité : Le traitement des données personnelles est effectué conformément aux dispositions de la loi sur la protection des données personnelles. En ce sens, le traitement des données personnelles doit être effectué dans le plein respect des droits fondamentaux de ses propriétaires. La collecte de données personnelles par des moyens illicites ou frauduleux est interdite ;
Consentement : pour effectuer le traitement des données personnelles, vous devez il est important d’&avoir avoir le consentement ou l’autorisation des propriétaires des données personnelles ;
Finalité : les données personnelles ne doivent pas être traitées dans un but autre que celui établi au moment de la collecte ;
Proportionnalité : tout traitement de données personnelles doit être adapté à la finalité pour laquelle elles ont été collectées, en utilisant les informations essentielles et suffisantes, sans excès ;
Qualité : les données personnelles traitées doivent être véridiques, exactes et adéquates. Elles doivent être conservées de manière à garantir leur sécurité et uniquement pendant le temps nécessaire à la réalisation de la finalité du traitement ;
Sécurité : le titulaire de la banque de données personnelles et le responsable du traitement doivent adopter les mesures nécessaires pour garantir la sécurité et la confidentialité des données personnelles qu’ils gèrent (Anyoha, R. (2017).

Le RGPD et l’intelligence artificielle

La question de sécurité des données est également cruciale pour les acteurs de l’immobilier qui exploitent l’intelligence artificielle et l’apprentissage automatique.

La protection des données personnelles est remise en cause par le développement conséquent et le déploiement rapide de l’Intelligence Artificielle, puisque son utilisation implique nécessairement le traitement de données massives, au sein desquelles sont incluses différentes catégories d’informations de données personnelles. Pourtant, les données sont nécessaires non seulement pour que l’IA atteigne son potentiel maximum, mais aussi pour qu’elle puisse éviter des biais ou des erreurs lors de la réalisation d’un traitement.

L’adoption généralisée de la technologie a nécessité la création de cadres réglementaires garantissant la protection des droits et le contrôle réglementaire et judiciaire de l’exploitation de la haute technologie. L’un de ces cadres est le RGDP, dont la création répond à la nécessité d’un régime juridique complet et contemporain régissant le traitement des données personnelles à un moment où ces données sont devenues une marchandise échangée et vendue pour des services ou un profit financier. Le respect de la protection des données est un point essentiel pour faire un usage éthique des algorithmes de décision automatique. Au sein de l’Union européenne, cela signifie se conformer au RGPD.

La RGDP définit les données personnelles de la manière suivante : « toute information se rapportant à une personne physique identifiée ou identifiable ». Dans ce contexte, le RGPD exige que tout traitement de données ait une base légale qui le légitime. Il en existe plusieurs et toutes sont également valables : obligation légale de consentement, intérêt légitime, etc. Quelle que soit la base juridique utilisée, il est nécessaire que l’intéressé soit informé du traitement de ses données.

Compte tenu d’une approche large des activités de traitement possibles par des solutions basées sur l’IA, les données personnelles peuvent se trouver dans les étapes suivantes du cycle de vie de la solution :

Formation : en considérant un modèle d’IA basé, par exemple, sur le ML, les données personnelles peuvent être utilisées dans le développement de l’IA. Dans d’autres scénarios, comme ce serait le cas avec un système de formation basé sur la captation des connaissances d’un expert, on peut considérer qu’en théorie, aucune activité de traitement de données à caractère personnel n’est effectuée. Lorsque la phase de formation implique un traitement de données à caractère personnel, elle est considérée, en soi, comme un traitement de données à caractère personnel. Dans sa plus grande mesure, il peut inclure les activités suivantes : définition, recherche et obtention de l’ensemble de données pertinentes, prétraitement des données (traitement des données non structurées, nettoyage des données, équilibrage, sélection, transformation), fractionnement de l’ensemble de données à des fins de vérification, informations sur la traçabilité et la vérification (Faggella, D. (2019) ;
Validation : cette étape peut inclure un traitement de données à caractère personnel lors de l’utilisation de données correspondant à la situation actuelle d’une activité de traitement afin de déterminer l’éligibilité du modèle expérimental. Cet ensemble de données peut être différent de ceux utilisés lors de la phase de formation et peut même être réalisé par un tiers à des fins d’audit ou de certification de modèle (Bensoussan L.A. (2020) ;
Déploiement : dans le cas où la solution basée sur l’IA est distribuée à des tiers en tant que composant, il peut être considéré qu’il y a divulgation de données lorsque le même modèle comprend des données personnelles ou qu’il existe un moyen d’obtenir ces données personnelles. Certaines solutions basées sur l’IA peuvent inclure des exemples de données d’apprentissage dans la logique du modèle (Bensoussan L.A. (2020) ;
Exploitation : il est possible que certaines des activités d’exploitation de la solution basée sur l’IA incluent le traitement de données personnelles.

Figure 9 : Une grille d’évaluation pour une IA de confiance

Source : Commission européenne (2021)

Si une IA traite des données personnelles, procède au profilage de personnes physiques ou prend des décisions concernant ces personnes physiques, leurs activités seront soumises aux dispositions prévues par le RGPD. A défaut, il n’est pas soumis à ces dispositions. Conclure si à un certain stade du cycle de vie de l’IA n’implique pas le traitement de données personnelles peut sembler anodin, mais, dans certains cas, cela peut ne pas être aussi simple.

Cependant, certains auteurs comme Faggella, D. (2019) indique que le RGPD souffre en termes d’efficacité dans le contexte des technologies basées sur l’IA, et il est peu probable que les responsables du traitement et les sous-traitants utilisant ces technologies s’y conforment pleinement, notamment en ce qui concerne le droit à l’information.

Dans ce contexte, tous les acteurs de l’immobilier ont l’obligation de respecter les directives de la RDGP sous peine d’une pénalisation conséquente.

Conclusion

De nombreuses industries ont déjà sauté dans le train de l’intelligence artificielle (IA) avec une vitesse relative et ont obtenu des résultats passionnants. Des secteurs tels que la FinTech, la fabrication, l’apprentissage en ligne, etc. ont adopté l’IA. L’immobilier se rapproche un peu plus lentement de l’idée que l’IA ait une place permanente dans cette industrie.

La maintenance dans une installation industrielle comprend une série d’activités techniques et administratives visant à maintenir les actifs dans leur fonctionnement normal et, en cas de défaillance, à les ramener à leur fonctionnalité de conception. Le développement technologique actuel a conduit à une nouvelle révolution industrielle connue sous le nom d’industrie 4.0, qui propose une fabrication avec tous les processus et actifs interconnectés. L’industrie 4.0 est basée sur une série de disciplines avancées telles que le Big Data, l’Internet industriel des objets (IoT), les systèmes experts, la robotique, la vision artificielle, le traitement du langage naturel, la planification, entre autres, qui sont concaténés avec des algorithmes d’apprentissage automatique appropriés, qui ensemble avec la sensorique constituent un nouveau domaine de connaissance connu sous le nom d’Intelligence Artificielle qui, appliqué à la maintenance, permettra aux entreprises de disposer de grandes quantités de données sur le fonctionnement des actifs et des processus.

L’IA a déjà changé le secteur de l’immobilier de plusieurs manières et semble sur le point de continuer à le faire à l’avenir. En effet, l’IA présente un potentiel d’économies considérables. Bien que les pourcentages ne soient pas exactement élevés, ils montrent une tendance à accepter qu’il y a de gros avantages et des économies de coûts à voir dans l’industrie immobilière avec l’adoption de l’IA. D’ailleurs, cela a été prouvé par les cas d’utilisation présentés dans le cadre de ce travail. Non seulement l’IA rationalisera et accélère la création et la finalisation des contrats, mais les chatbots améliorent les expériences de service client liées aux demandes de renseignements, d’assistance, etc. comme c’est le cas des services proposés par AskPorter. Cela libère les agents pour qu’ils gèrent plus efficacement leurs entreprises.

L’IA fait également des recommandations précises sur les propriétés et les valeurs d’évaluation basées sur des quantités de données bien plus importantes que celles fournies par les analyses antérieures. L’IA offre en outre la possibilité de prédire avec précision les tendances et les évaluations futures des propriétés. De plus, les technologies aident les gestionnaires à gérer les propriétés de manière plus efficace et durable, ce qui entraîne des économies pour les sociétés de gestion et les propriétaires.

Selon les interview menés au sein de KONE France et SCHINDLER, l’apprentissage automatique, grâce à l’intelligence artificielle apportent une certaine valeur ajoutée. La collecte et la distribution des données permettent de capturer toutes les interactions afin que l’utilisation des composants immobiliers soit une véritable source de données. Ensuite l’analytique permet de rendre plus efficace la compréhension de tous les évènements qui se sont déroulés.

L’intelligence artificielle peut ainsi automatiser et planifier l’entretien et la réparation des bâtiments, tout en permettant de travailler avec d’autres technologies intelligentes pour rendre un bâtiment aussi durable que possible. Les informations passées sur une structure peuvent être utilisées pour faire des prévisions de ses besoins futurs, comme la fréquence à laquelle l’ascenseur devra être entretenu; le budget de déneigement, et ainsi de suite. Bien que cela ne puisse pas encore être automatisé à 100 %, c’est possible pour l’avenir. Ce type de collecte de données soutient déjà un marché émergent pour l’analyse prédictive dans l’immobilier.

Bien sûr, la technologie de l’IA est encore en train d’émerger et à l’avenir, elle peut avoir des avantages significatifs pour les gestionnaires immobiliers. Pour les entreprises qui adoptent ces outils tôt, il y a un gain majeur. Même la maintenance fonctionnera différemment, car dans le futur l’IA pourrait prendre en charge plus que les simples analyses des données et la prédiction des activités de maintenance.

Références bibliographiques

AFNOR.(2001). Terminologie de la maintenance. NF-EN, 13306 :X60–319, 2001.
Anyoha, R. (2017). The history of artificial intelligence », Harvard University Graduate School of Arts and Sciences Blog, 28 août 2017, http://sitn.hms.harvard.edu/flash/2017/history-artificial-intelligence/.
Artiges, N. (2016). De l’instrumentation au contrôle optimal prédictif pour la performance énergétique du bâtiment. Energie électrique. Université Grenoble Alpes, Français
Bensoussan L.A. (2020), Action de groupe et protection des données personnelles.
Boyes, H. & al (2018). The industrial internet of things (IIoT): An analysis framework. Comput. Ind. 101 , 1-12.
Conway, J. (2018). Intelligence artificielle et apprentissage automatique : Applications actuelles dans le domaine de l’immobilier. Université de Californie,
Berkeley
Dabrowski, K. & Skrzypek, K., (2018). The predictive maintenance concept ln the maintenance department of the “Industry 4.0” production enterprise. Foundations of Management, 10(1),283-29
Desruelles, V. (2019). Les cinq défis de l’intelligence artificielle dans l’immobilier.
Doxel AI (2018). Intelligence artificielle pour la productivité de la construction. (s.d.). Consulté le 18 juin 2018 sur le site https://www.doxel.ai/
Faggella, D. (2019). Les défis de l’intégration de l’IA – Les pièges de l’adoption de l’IA dans l’entreprise (partie de 23)
Fan, C. ; Xiao, F. ; Zhao, Y. ; Wang, J. (2018). Analytical investigation of autoencoder-based methods for unsupervised anomaly detection in building energy data. Appl. Energy, 211 , 1123-1135.
Fossier, S. and Robic ? P-O. (2017). Maintenance of complex systems : From preventive to predictive. In Live Maintenance (ICOLIM), 2017 12th Interna- tional Conference on, pages 1–6. IEEE
Gaw, D. (2018). L’avenir de l’automatisation des chantiers de construction. ENR. Récupéré sur https://www.enr.com/articles/42837-the-future-of-construction-site-automation
Gringsjord, S. (2018). Artificial Intelligence, The Stanford Encyclopedia of Philosophy Archive,https://plato.stanford.edu/archives/fall2018/entries/artificial-intelligence/
Gunay, B. ; Shen, W. ; Newsham, G. (2019). Data analytics to improve building performance : A critical review. Autom. Constr., 96-109..
Haugeland, J. (1985), Artificial Intelligence : The Very Idea, Bradford Books, Cambridge, Mass : MIT Press. DOI : 10.7551/mitpress/1170.001.0001
Lee, S.M. ; Lee, D. ; Kim, Y.S. (2019). L’écosystème de gestion de la qualité pour la maintenance prédictive à l’ère4.0 de l’industrie. Int. J. Qual. Innov.
Levitt, J. (2011). Guide complet de la maintenance prédictive et préventive. New York : Industrial Press Inc.
Marcus, Gary (2018). Deep learning : A critical appraisal, http://arxiv.org/abs/1801.00631.
Mattioli, J. & al. (2018). L’intelligence artificielle au service de la maintenance prévisionnelle.
Minsky, M. (1968), Society Of Mind, New York : Simon and Schuster. DOI : 10.1016/0004-3702(91)90036-J
OECD (2019), Artificial Intelligence in Society, www.oecd.org/going-digital/artificialintelligence- in-society-eedfee77-en.htm; OECD (2019), Recommendation of the Council on Artificial Intelligence,
Otter, D.W.et al. (2020). A Survey of the Usages of Deep Learning for Natural Language Processing. IEEE Trans. Neural Netw. Learn. Syst. 2020
Sapkota, K. (2019). L’intelligence artificielle dans l’automatisation de la gestion immobilière – Technologies, applications actuelles et défis. UNIVERSITÉ DES SCIENCES APPLIQUÉES DE TURKU
Somers, J. (2013). The man who would teach machines to think », The Atlantic, November.
Sullivan et al. (2010). Operations and Maintenance: Best Practices.,” in A gruide to Achieving Operational Efficiency, U.S. Department of Energy.
Winston, P. (1992), Artificial Intelligence, Addison-Wesley, Reading, MA
Zheng, A. ; Casari, A. (2018). Feature Engineering for Machine Learning ; O’Reilly Media, Inc : Sebastopol, CA, USA

1 Verbatim

2 Verbatim

3 Verbatim

4 Verbatim

5 Verbatim

6 Verbatim

7 Verbatim

8 Verbatim

9 Verbatim

10 Verbatim

11 Verbatim

12 Verbatim

13 Verbatim

14 Verbatim

15 Verbatim

16 Verbatim

besoin d’aide pour votre mémoire ? Contactez-nous!

rédacteur spécialisé

0 %

Plagiat

1 %

confidentiel

frais cachés

0 %

paiement sécurisé

Je suis extrêmement satisfait du service. Ma thèse était un véritable casse-tête et je ne savais pas comment la rédiger correctement. Heureusement, j'ai trouvé cette équipe qui m'a vraiment aidée...

Un service de premier ordre ! J'avais peur que ce soit trop compliqué ou pas assez personnalisé, mais j'ai finalement reçu un briefing qui correspondait exactement à mes attentes. Ils ont pris le temps de bien comprendre...

Un service exceptionnel pour une thèse réussie ! Je suis extrêmement satisfait du service fourni par expertmemoire. Leur équipe a fait preuve d'un professionnalisme et d'une expertise...

Franchement, excellent service ! J'avais beaucoup de mal à organiser mes idées et à rédiger correctement, mais grâce à eux, ma thèse est devenue très claire et bien structurée. Le travail est sérieux et les ...

Exemple de mémoire de Master immobilier

Introduction

Chapitre I : La question de maintenance prédictive des immeubles

Chapitre 1 : L’intelligence artificielle au service de l’immobilier

Chapitre 2 : Le rôle de l’intelligence artificielle dans la maintenance prédictive d’un immeuble

Chapitre 3 : La question de réglementation et les défis à relever

Conclusion

Références bibliographiques

besoin d’aide pour votre mémoire ? Contactez-nous!

Tel:

Email:

Plan de site

Réseaux sociaux

Ils parlent de Expertmemoire

Google

4.5 sur 5.0

Tel:

Email:

Plan de site

Réseaux sociaux

Expertmemoire suivi par plus de 62 000 étudiants sur YouTube