Le rôle capital de la data science dans le secteur de la mobilité
Le rôle capital de la data science dans le secteur de la mobilité
Une meilleure utilisation des véhicules, une efficacité accrue, moins de retards et dans l’ensemble, une meilleure qualité de service et un taux de satisfaction des clients plus élevé : la demande constante d’une expérience de transport plus confortable crée une pression gigantesque sur les activités d’exploitation et de maintenance du secteur de la mobilité, entraînant des systèmes numériques complexes. Pour pouvoir gérer cette infrastructure numérique croissante, nous devons recueillir, analyser et utiliser de vastes quantités de données. En d’autres termes, la data science occupe un rôle de plus en plus crucial au sein du secteur de la mobilité, et Alstom fait figure de chef de file dans ce domaine.
Avant de rejoindre Alstom, Nenad a occupé plusieurs postes de R&D et de direction dans des startups, des entreprises de premier ordre et en tant que chercheur et conférencier. Il dispose de plus de 20 ans d'expérience dans le développement d'algorithmes, le machine learning et l'IA. Nenad a débuté son parcours chez Alstom en tant que Senior Data Scientist à Melbourne, FL, USA. Dans son poste actuel basé à Saint Ouen, France, Nenad dirige les équipes de data science d'Alstom chargées de fournir des algorithmes de Machine Learning et d'IA pour toutes les solutions de mobilité.
Pendant son temps libre, Nenad aime l'art, lit de la science-fiction, des livres philosophiques et historiques, et joue au tennis. Enfin, et ce n'est pas le moins important, il évangélise les compétences en mathématiques et en informatique auprès des filles et des jeunes femmes, que ce soit dans sa propre famille ou dans les écoles et les événements publics, les encourageant à poursuivre des diplômes techniques.
Retrouvez Nenad sur LinkedIn
« La data science est l’un des principaux piliers de la stratégie numérique d’Alstom », déclare Nenad Mijatovic, le responsable de la data science chez Alstom. Avec son équipe, il est responsable du développement de solutions statistiques de pointe et d’apprentissage automatique afin d’aider à la prise de décision dans les domaines de l’exploitation et de la maintenance. « Nous utilisons les données comme point de départ et nous nous en servons pour créer des informations pertinentes pour l’entreprise », déclare-t-il. Il est convaincu que la data science est en train de devenir l’outil principal pour résoudre des problèmes existants et créer de nouveaux arguments commerciaux dans l’ensemble du secteur.
Très concrètement, cela peut s’appliquer, par exemple, aux processus d’odométrie. Les systèmes de protection des trains s’appuient sur les données de géolocalisation fournies par les systèmes d’odométrie et de signalisation embarqués. Les évènements anormaux liés à l’odométrie pourraient déclencher certaines opérations à effectuer manuellement dans le train ou même, dans certains cas, l’arrêter complètement. Les experts des systèmes doivent analyser des téraoctets de données à bord, recueillies sur l’ensemble des flottes, pour détecter des évènements anormaux et ainsi empêcher que ces situations se produisent. « Il s’agit d’un processus extrêmement chronophage que l’on peut remplacer par des algorithmes sophistiqués et l’analyse de données », explique Nenad Mijatovic.
« Pour la première fois, nos responsables, nos mainteneurs et nos experts de domaine des plateformes ont accès à des solutions qui leur permettent de traiter de grandes quantités de données et détecter les problèmes automatiquement, de hiérarchiser les problèmes et de suggérer des mesures correctives. »
4 solutions clés pour résoudre les problèmes liés à la data science
- Alstom a formé un groupe spécifique de professionnels chargés des données grâce à des ateliers de formation.
- Il a été possible d’améliorer la qualité des données en mettant au point une méthodologie et des logiciels permettant uniquement aux données « de bonne qualité » d’atteindre les algorithmes de science de données d’Alstom.
- Alstom a mis au point une méthodologie de data science et une méthode de travail fondée sur des niveaux de préparation technologique afin de produire un résultat d’une fiabilité extrême.
- Le paradigme des opérations d’apprentissage automatique a été adopté et ajusté pour soutenir le cycle de vie complet des modèles.
En quoi l’approche d’Alstom est-elle singulière ?
« L’approche d’Alstom en matière de data science est inclusive, ce qui la différencie de celles d’autres entreprises du secteur de la mobilité », indique Nenad Mijatovic. Dans un environnement reposant essentiellement sur la collaboration et composé d’experts de domaine et de clients, l’équipe de data science tâche d’abord de comprendre le problème à résoudre, et développe ensuite un modèle en utilisant différentes techniques scientifiques. « En travaillant par itérations, nous nous approchons progressivement du meilleur modèle avant de le mettre en production. Par la suite, nous surveillons attentivement la performance du modèle en phase de production pour veiller à ce qu’il fonctionne correctement dans les limites de performance définies », explique Nenad Mijatovic.
Cette approche présente plusieurs avantages évidents. La data science contribue : à améliorer la maintenance en appliquant la surveillance de l’état des équipements et l’analyse prédictive ; à proposer des résolutions plus rapidement en appliquant une analyse des causes profondes ; à assurer une exploitation efficace en appliquant des simulations, un jumeau numérique et des techniques d’apprentissage par renforcement ; et à améliorer l’expérience de transport des clients en détectant le matériel roulant ou les voies ferrées dégradés ou défectueux
« Grâce à un environnement hautement collaboratif composé d’experts de domaine et de clients, nous tâchons d’abord de comprendre le problème à résoudre, et développons ensuite un modèle en utilisant différentes techniques scientifiques. En travaillant par itérations, nous nous approchons progressivement du meilleur modèle avant de le mettre en production. »
Les 3 principales composantes de la data science chez Alstom
-
Une mobilité verte
Pour une société plus sobre en carbone
Les agents doivent sans cesse recharger, nettoyer et entretenir les véhicules, ce qui signifie qu’un employé peut parcourir des milliers de kilomètres chaque jour pour accomplir ces tâches. Grâce à ses solutions de surveillance et de gestion de flotte, Alstom a accès à des informations précises sur la localisation des trains par le biais d’un système qui était utilisé pour gérer les véhicules. En améliorant les plannings et les itinéraires, il est possible d’optimiser les ressources, entraînant ainsi une nette diminution des coûts liés aux ressources humaines et contribuant au développement durable.
-
Une mobilité inclusive et plus saine
Pour créer des solutions qui améliorent l’expérience des passagers
Les transports en commun étant l’un des moyens de déplacement les plus accessibles dans les villes, il est essentiel, notamment dans le contexte de la pandémie de COVID-19, de veiller à ce qu’ils soient sûrs sans être trop encombrés pour respecter l’engagement d’une mobilité plus saine. En assurant des opérations de nettoyage régulières et en offrant des moyens de transport plus accessibles qui permettent de respecter les gestes barrières, il est possible de proposer des trajets plus sûrs et plus pratiques aux passagers.
-
Une mobilité intelligente
Pour simplifier les activités d’exploitation et les trajets
La data science améliore la manière dont les trains se rendent d’un point A à un point B, ce qui permet d’optimiser les horaires et ainsi de veiller à la ponctualité et à la fiabilité des métros. Les passagers doivent avoir davantage confiance et demander une meilleure efficacité des trains.
Comment la science des données peut favoriser les innovations durables
L'expertise d'Alstom en matière de science des données est un avantage clé dans l'industrie : Récemment, Alstom a annoncé un contrat avec le laboratoire d'innovation durable de MerConcept pour optimiser leur analyse de données en utilisant la science des données pour la mobilité durable dans des conditions environnementales difficiles. Le partenariat comprend une analyse de données en profondeur suivie du développement des algorithmes d'optimisation pour améliorer la vitesse des bateaux de course au large dans un environnement compétitif. Créée en 2006 par le navigateur François Gabart, la mission de MerConcept est d'élever les progrès réalisés en matière de durabilité dans la voile et de contribuer à la mise en valeur des innovations et des technologies avancées utilisées aujourd'hui dans la course au large.
« Pour réduire notre empreinte carbone, nous encouragerons une optimisation des activités d’exploitation du matériel roulant. Pour réduire l’élimination des déchets, nous réduisons le nombre de réparations. Pour lutter contre le changement climatique, nous alertons les équipes de maintenance des problèmes d’infrastructures, permettant ainsi d’empêcher que des incidents se produisent. »
Prochaines étapes
Les technologies et les outils actuels de la data science ont été bien conçus et ont été développés pour prédire l’avenir en fonction du passé. « En revanche, pour de nombreux problèmes, nous n’avons pas assez de points de données pour nous permettre de mettre au point des méthodes fiables », indique Nenad Mijatovic. « C’est pour cela que je crois qu’en tant qu’experts en data science chez Alstom, nous travaillerons à l’avenir sur la recherche de méthodes qui peuvent s’appuyer sur des points de données rares, voire dans certains cas, aucun point de données d’intérêt. »
Vous souhaitez rejoindre nos équipes de data science ? Nous avons de nombreuses opportunités disponibles dans le monde entier ! Faites connaissance avec Nenad dans cette vidéo et assurez-vous de parcourir nos postes ouverts en utilisant le lien ci-dessous.
