RECHERCHE : Une nouvelle IA partagée permet d’optimiser la gestion des bâtiments intelligents tout en renforçant la confidentialité des données

Une équipe de recherche du Département de cybersécurité et de génie des systèmes intelligents de l’École de génie et d’informatique Gina-Cody vient de mettre au point un nouveau système d’intelligence artificielle (IA) visant à améliorer l’efficacité, la confidentialité et la facilité de gestion des bâtiments intelligents. Ce modèle, appelé « apprentissage fédéré de règles neurosymboliques », est le premier du genre à avoir été spécialement conçu pour l’exploitation des bâtiments.

Les bâtiments intelligents se fondent sur des capteurs pour faire le suivi de divers paramètres tels que l’occupation, les activités et la consommation d’énergie afin d’automatiser le chauffage, l’éclairage et les appareils électroménagers. Cependant, la collecte de ce type de données soulève des questions de confidentialité et nécessite souvent des systèmes d’IA puissants et gourmands en ressources, difficiles à faire fonctionner sur de petits appareils.

Cette nouvelle approche résout ces deux problèmes. Au lieu d’envoyer des données brutes vers un serveur central, elle utilise l’apprentissage fédéré, dans lequel plusieurs bâtiments entraînent un modèle commun tout en conservant leurs données localement.

En outre, cette technologie allie les réseaux neuronaux au raisonnement symbolique pour générer des règles « si… alors » simples et compréhensibles pour l’humain. Ces règles peuvent être appliquées directement sur des appareils à faible consommation d’énergie et nous renseignent sur la manière dont les décisions sont prises.

Par exemple, le système peut apprendre des règles telles que : « Si un mouvement est détecté dans la cuisine le soir, il est probable que l’on soit en train de cuisiner. » Cela rend l’IA plus transparente et plus utile pour la prise de décisions dans la vie quotidienne.

Les tests montrent que ce modèle surpasse à la fois les systèmes classiques basés sur des règles et les approches modernes d’apprentissage profond. Il a atteint un degré de précision jusqu’à 45 % supérieur, tout en étant nettement plus compact et jusqu’à 200 fois plus rapide que certains modèles d’apprentissage profond. Il a également obtenu de meilleurs résultats lors de l’analyse de données nouvelles et inconnues, améliorant ainsi la généralisation d’environ 20 %.

Alliant protection de la vie privée, efficacité et explicabilité, cette recherche propose une piste concrète pour la création de systèmes d’automatisation des bâtiments plus intelligents et plus fiables.

Cette étude réalisée par Fatimah Faiza Farrukh et Manar Amayri est parue dans la revue Energy and Buildings. Elle a été subventionnée par le Conseil de recherches en sciences naturelles et en génie du Canada.

Lisez l’article cité : « Federated neuro-symbolic rule-learning for lightweight smart building operations ».