La traque aux antennes surdimensionnées
Un tel défi impliquait de mener un travail de comparaison minutieux sur les différentes antennes du réseau, comme l’explique Erwan Josse, expert data science et intelligence artificielle chez Business & Decision, marque du Groupe Orange : « le défi consistait à pouvoir comparer les différentes antennes du parc. Pour cela, il nous fallait identifier les antennes surdimensionnées qui consommaient trop d’électricité par rapport à leur débit et à leur trafic. »
Un outil inédit de modélisation des données
Industrialisant un « Proof of Concept » (POC) existant, les équipes de Business & Decision ont mis à disposition des équipes en charge de la maintenance des antennes un outil de modélisation des données. Celui-ci a permis de référencer les sites par localisation, type de géographie (urbaine, dense, rurale), type de réseau (3G, 4G, 5G) et nombre d’antennes installées. La comparaison de la consommation (Kw/h) en fonction du trafic généré (Go) et du débit moyen (Ko/s) s’effectue ainsi entre des sites similaires via un algorithme de classification : pour chaque site, l’algorithme est à même de déterminer si la consommation appartient à la fourchette basse, standard ou haute. Un outil inédit dans le domaine des antennes-relais.
Cette innovation requiert l’usage de Python – langage de programmation des spécialistes de l’IA – mais aussi un travail main dans la main entre spécialistes de la donnée et experts en maintenance télécom.
« L’implication des métiers reste essentielle pour comprendre le lien entre les variables constatées » confirme Erwan Josse. « Si une antenne consomme beaucoup, est-ce dû à son rôle de point de relai, ou parce qu’elle appartient à une ancienne génération de matériel ? Il ne fallait pas biaiser l’algorithme avec des interprétations erronées. »
Des rendez-vous itératifs ont régulièrement été organisés afin de bien cerner les usages des opérateurs télécom et d’ajuster l’outil de modélisation.
« Notre algorithme consomme la juste quantité d’énergie. Dans une logique d’IA frugale, nous l’avons adapté au degré de complexité du projet et il offre aujourd’hui de très bons résultats. »
Ewan Josse, expert data science et intelligence artificielle chez Business & Decision
Économiser l’énergie et les composants
Constatant d’importantes disparités sur les consommations relevées, les équipes de maintenance télécom ont pu établir un plan pour prioriser leurs interventions.
La démarche a porté ses fruits, avec une consommation énergétique divisée par trois sur certaines antennes. Leur redimensionnement évolutif limite en outre la quantité de composants utilisés comme les porteurs. De plus, la réutilisation de ses équipements sur d’autres sites leur permet d’entamer une deuxième vie dans une logique d’économie circulaire. Des économies financières et une préservation des ressources qui n’altèrent ni la qualité de réseau, ni la continuité de service.
« Notre algorithme aussi consomme la juste quantité d’énergie » souligne Erwan Josse. « Dans une logique d’IA frugale, nous l’avons adapté au degré de complexité du projet et il offre aujourd’hui de très bons résultats. »
Cet algorithme pourrait même, à l’avenir, devenir prédictif : en étant capable d’anticiper le trafic sur une nouvelle antenne, il aiderait alors à déterminer comment la dimensionner au plus juste. La démarche de modélisation des données, reproductible dans d’autres domaines, pourrait ainsi contribuer, par exemple, à limiter la consommation énergétique des bâtiments ou celle des machines sur les sites de production.
Une consommation énergétique divisée par 3 sur certaines antennes