Cas d’usage · Énergie
Une prévision de consommation régionale, prête chaque matin
Chaque jour, la consommation et les températures régionales arrivent dans votre lakehouse. Un modèle de thermosensibilité s’entraîne, la prévision est publiée à 6 h, et un agent IA veille sur la chaîne. Tout tourne sur votre infrastructure.
Le défi
Deux séries à croiser chaque jour, une prévision attendue à l’heure
- La consommation au pas de 30 minutes et la température quotidienne n’ont ni le même rythme ni le même format : il faut les aligner avant de modéliser.
- Les données brutes réservent des surprises : une valeur « ND » dans une colonne numérique, des horodatages en UTC face à des dates locales.
- Une prévision n’a de valeur que publiée à l’heure, tous les jours, même quand une source arrive en retard.
- Les données de comptage restent dans votre infrastructure.
Comment graal le traite
La chaîne, de la source à la prévision
Étape 01
Ingérer
Deux connecteurs chargent la consommation régionale et les températures quotidiennes depuis S3, puis les écrivent en tables Iceberg.
Étape 02
Préparer
Dans l’éditeur visuel, un pipeline convertit les types, joint les deux séries sur la date locale et agrège par région. Le code PySpark généré s’exporte et vous appartient.
Étape 03
Explorer
Dans Jupyter ou dans l’éditeur SQL, vos analystes vérifient la relation entre température et consommation, sur les mêmes tables.
Étape 04
Entraîner
Un job entraîne le modèle de thermosensibilité. Paramètres, métriques et artefacts sont enregistrés dans les expériences ; la version retenue entre au registre.
Étape 05
Planifier et déléguer
Un workflow recalcule la prévision chaque matin à 6 h, avec reprises et alertes. Un agent IA crée, lance et planifie les jobs sous un compte de service limité au projet.
Ce scénario est celui de la démonstration de graal. Il repose sur deux jeux de données ouverts de l’ODRÉ (Open Data Réseaux Énergies) : la consommation régionale consolidée et définitive, et la température quotidienne régionale. En pilote, vos propres séries — comptage, production, historique météorologique — prennent leur place, et la chaîne ne change pas.
Source : RTE et Weathernews France via ODRÉ — Licence Ouverte v2.0 (Etalab).
Consommation : données éCO2mix régionales consolidées et définitives, produites par RTE et publiées sur l’ODRÉ sous Licence Ouverte v2.0 (Etalab).
Températures : température quotidienne régionale depuis janvier 2016, produite par Weathernews France et publiée sur l’ODRÉ sous Licence Ouverte v2.0 (Etalab).
Ce que vous obtenez
- Une prévision régionale publiée chaque matin, à heure fixe
- Chaque version du modèle reliée aux données, aux paramètres et au run qui l’ont produite
- Un pipeline lisible en code, que vos équipes relisent, versionnent et exécutent ailleurs si besoin
- Une chaîne surveillée par un agent dont chaque action est tracée
Ce qui reste chez vous
- Les séries de consommation et de température, sur votre stockage S3
- Le code des pipelines et des jobs, exportable en PySpark
- Le modèle, ses versions et ses métriques
- Le journal des actions, humaines et d’agent
Capacités mobilisées
- Connecteurs
Séries ouvertes et internes, chargées depuis S3 ou vos bases.
- Pipelines low-code
Conversion, jointure et agrégation, exportées en PySpark.
- Orchestration et calcul
Workflow quotidien, cron, reprises et alertes.
- Lakehouse et SQL
Tables Iceberg, catalogue et requêtes SQL sur les séries.
- Machine learning
Expériences, registre et versions de la prévision.
- Agents IA
Un agent qui opère la chaîne, sous compte de service.
Questions fréquentes
Peut-on utiliser nos propres données de comptage ?
Oui. La démonstration s’appuie sur des données ouvertes ; en pilote, vos séries internes les remplacent ou les complètent, et la chaîne reste la même.
Peut-on prévoir la production plutôt que la consommation ?
Oui. Le même enchaînement s’applique à la production éolienne ou solaire, avec les variables météorologiques adaptées.
Le modèle a-t-il besoin de GPU ?
Non. Un modèle de thermosensibilité s’entraîne sur CPU. Les GPU restent disponibles, par type d’instance, pour des modèles plus lourds.
Que fait exactement l’agent IA ?
Il crée, lance et planifie les jobs du projet, sous un compte de service limité à ce projet. Aucun outil de suppression n’est activé par défaut, et vous révoquez son accès à tout moment.
Préparez ce cas sur vos données
En 8 semaines, la même chaîne sur vos séries, installée dans votre infrastructure.