Partage de données pour soutenir la formation et le développement de modèles d'IA fondamentaux dans le secteur de l'énergie

Résultat attendu :

Les projets devraient contribuer à tous les résultats attendus suivants :

• Méthodes efficaces et innovantes pour la collecte, le partage et l'utilisation de grands ensembles de données dans les applications énergétiques, dans le but de former des modèles d'IA tout en garantissant la confidentialité et la sécurité.
• Modèles d'IA fondamentaux avancés et – dans la mesure du possible – open source pour soutenir la numérisation du système énergétique, grâce à une meilleure observabilité du réseau, à la prévision de l'offre et de la demande, au stockage avancé et à l'intégration des énergies renouvelables, à la flexibilité côté demande et à l'efficacité énergétique.
• Coopération, partage des connaissances et interopérabilité renforcés entre les acteurs du système énergétique pour un échange de données sécurisé et transparent.
• Méthodologies avancées pour le développement de modèles d'IA garantissant que les résultats sont FAIR (Faciles à trouver, Accessibles, Interopérables, Réutilisables) au-delà de la fin du projet, open source et adaptables à l'évolution technologique.

Portée :

La qualité des modèles d'IA dépend fortement de la quantité, de la qualité et de la représentativité des données utilisées pour leur formation. Les projets devraient se concentrer sur le développement, la formation et le test de modèles d'IA fondamentaux, en utilisant de vastes ensembles de données pour accélérer la transition énergétique dans les domaines clés du secteur de l'énergie. Les projets devraient :

• S'appuyant sur les résultats de projets précédemment financés sur l'espace commun européen des données énergétiques^[1] ainsi que sur les travaux en cours au sein du groupe d'experts Data 4 Energy, les projets devraient démontrer des méthodes innovantes et des stratégies de gouvernance des données pour le partage de données entre les différents acteurs de l'énergie. Les projets devraient démontrer qu'ils ont accès à de grands ensembles de données pertinents au moment de la soumission de la proposition.
• Les projets devraient développer des stratégies innovantes pour partager les données de manière efficace, sécurisée et transparente afin de soutenir le développement de modèles d'IA fondamentaux. Une liste indicative non exhaustive de stratégies pouvant être explorées est l'utilisation de connecteurs d'espace de données ou la formation fédérée de modèles pour permettre l'intégration de données confidentielles ; la création de données synthétiques comme étape intermédiaire pour combler les lacunes de données ou améliorer la qualité des données pourrait également être explorée. Les projets pourraient également explorer d'autres stratégies innovantes de partage de données, telles qu'une « salle de sport IA ». Les stratégies de gouvernance des données qui seront développées dans le projet devraient être conçues de manière à être évolutives et opérationnelles même après la fin du projet.
• Les projets devraient développer des modèles fondamentaux adaptés au secteur de l'énergie, abordant au moins un – ou plusieurs – des cas d'utilisation suivants : planification et exploitation des réseaux électriques (y compris la modélisation statique des flux de puissance et la modélisation dynamique EMT), prévision, gestion de la congestion, détection d'anomalies, diagnostic de pannes, maintenance prédictive, gestion de la flexibilité, efficacité énergétique côté demande, recharge intelligente et bidirectionnelle des véhicules électriques ou d'autres cas d'utilisation qui contribuent à l'objectif de numérisation du système énergétique.
• Les projets devraient effectuer des tests et une validation approfondis des modèles fondamentaux développés dans des démonstrateurs de laboratoire et des pilotes réels, en s'appuyant sur les résultats et en utilisant les installations de projets précédemment financés sur les « installations de test et d'expérimentation d'IA (TEF) »^[2]. Des bacs à sable réglementaires pourraient également être envisagés pour les implémentations pilotes réelles.
• Les projets devraient réunir un large groupe de parties prenantes, y compris des propriétaires de données (par exemple, les services publics d'énergie, les opérateurs de réseau, les propriétaires d'actifs), des développeurs d'applications (par exemple, les startups, les PME, les hyperscalers) et des déployeurs de modèles (par exemple, l'industrie, les opérateurs de réseau, les fabricants d'équipements), offrant un espace de coopération et d'échange de données collaboratif.
• Pour intensifier la formation et le développement des modèles, les projets peuvent bénéficier de la capacité de calcul de…