Optimisation de l'occupation des bâtiments
Brief exécutif produit par Lektaris.
Ce brief est fondé sur les travaux de Chinmayi Kanthila (IRDL; LINEACT).Institut National Polytechnique de Bretagne · IRDL; LINEACT · Soutenu(e) le 2024-09-20
Au sein de IRDL; LINEACT, Chinmayi Kanthila a développé des méthodes de détection et de prédiction de l'occupation des bâtiments.
Ces slides contiennent l'analyse d'opportunité, les angles investisseur et institutionnel, et les sources académiques certifiées — prêtes à projeter en comité.
L'opportunité réside dans l'amélioration de l'efficacité énergétique des bâtiments grâce à des modèles de prédiction d'occupation.
Le marché de l'efficacité énergétique dans le secteur du bâtiment est en forte croissance, avec une demande accrue pour des solutions technologiques. Les modèles de prédiction d'occupation offrent un potentiel de retour sur investissement significatif en réduisant les coûts énergétiques. Toutefois, des risques existent, notamment liés à l'acceptation des nouvelles technologies par les utilisateurs finaux. Les investisseurs doivent évaluer ces risques et envisager des partenariats avec des entreprises technologiques pour minimiser les obstacles à l'entrée. L'action à mener consiste à soutenir le développement de solutions basées sur l'apprentissage automatique pour répondre à cette demande croissante.
L'enjeu majeur pour les décideurs est de favoriser l'intégration des technologies de prédiction d'occupation dans les politiques publiques. Cela nécessite un levier fort : des incitations financières pour les entreprises qui investissent dans ces technologies. Les partenaires clés incluent les entreprises de technologie, les gestionnaires de bâtiments et les agences gouvernementales. La recommandation politique est de créer un cadre réglementaire qui facilite l'adoption de ces solutions, tout en sensibilisant les acteurs du secteur aux bénéfices potentiels.
Chinmayi Kanthila, au sein de l'IRDL, a réalisé cette recherche avec un niveau de rigueur académique certifié par le réseau ABES/STAR.
La thèse présente des résultats préliminaires sur l'utilisation de modèles d'apprentissage profond pour prédire l'occupation des bâtiments, indiquant que des prototypes ont été testés sur le terrain avec des données réelles. Cependant, des validations supplémentaires dans des environnements variés sont nécessaires pour atteindre un niveau de maturité plus élevé.
Le marché de l'efficacité énergétique dans le bâtiment est évalué à plusieurs milliards.
Le retard dans l'adoption de ces technologies pourrait entraîner des pertes financières significatives pour les entreprises.
1 à 2 ans
Les réglementations sur l'efficacité énergétique peuvent favoriser ou freiner l'adoption de nouvelles technologies.
Basé sur des résultats préliminaires prometteurs et des études de cas existantes.
Le Sénégal a mis en place des initiatives similaires pour améliorer l'efficacité énergétique dans les bâtiments, avec des résultats encourageants.
L'impact ESG attendu inclut la réduction des émissions de gaz à effet de serre, la création d'emplois dans le secteur technologique, et l'amélioration du confort des occupants.
Le risque principal est l'acceptation des nouvelles technologies par les utilisateurs finaux.
Mettre en place des programmes de sensibilisation et de formation pour démontrer les avantages concrets des technologies de prédiction.
Lancer des études de faisabilité pour l'intégration de capteurs dans des bâtiments.
Développer des partenariats avec des entreprises technologiques pour le déploiement à grande échelle.
Évaluer l'impact des technologies sur l'efficacité énergétique et ajuster les politiques publiques en conséquence.
