- Développement et outillage
- Méthodes
BâtIA — prédire les pannes du bâtiment
Un prototype de hackathon, en 30 heures, qui classe les équipements d’un parc de logements par risque de panne, explique chaque score et ordonne les rénovations sous un budget annuel
Contexte
Le Hackathon IA for Impact 2026 clôturait le festival La Mêlée Numérique à Toulouse : 30 heures non-stop, des équipes aux profils mélangés, des projets jugés sur leur impact, leur viabilité et l’avancement réel du prototype. Nous étions six sur le défi posé par Action Logement et In’li Sud-Ouest : prédire les défaillances du bâtiment.
Un bailleur remplace d’abord ce qui est vieux. Sur le site pilote des données du défi — 1 100 logements, 8 résidences, 1 285 équipements suivis — cette règle rate la plupart des pannes : inspecter les 128 équipements les plus vieux ne permet d’en repérer que 17 sur les 66 pannes complètes de l’année. Les signaux qui auraient aidé sont déjà dans les fichiers : les commentaires des techniciens (« pièce difficile à obtenir », « nombreux redémarrages ») et les demandes des locataires. Personne ne les croise.
BâtIA les croise. L’outil classe chaque équipement par son risque de tomber en panne d’ici neuf mois, montre la part de chaque raison dans le score, et ordonne les opérations de rénovation sous 1,5 M€ par an. Tout le prototype tourne sur le kit de données fictives du défi : 13 fichiers CSV, 10 067 interventions enregistrées entre 2018 et 2025.
L’ensemble a été construit en 30 heures : deux modèles entraînés hors ligne, une API qui sert des scores précalculés, et un front qui fonctionne même sans réseau. Aucun modèle de langage n’intervient nulle part — chaque phrase à l’écran vient des données par des règles déterministes.
Architecture
Des scores calculés hors ligne, une API en lecture seule, une carte dans le navigateur
Ce que fait le prototype
Cinq écrans, du parc entier jusqu’à une chaudière, et de l’urgence du jour au plan à l’horizon 2034.
-
Ouvrir la capture
Carte du parc
Résidences, bâtiments, logements et équipements, parcourus dans cet ordre et classés par risque, avec trois couches de chaleur : équipements à risque, densité de logements, et étiquettes énergétiques F et G.
-
Ouvrir la capture
Fiche équipement
Pourquoi celui-ci : la part de chaque raison dans le score, la frise des interventions passées, les demandes du locataire sur deux ans, et une décision — faire vérifier, ou écarter.
-
Ouvrir la capture
Tableau de bord
Ce qu’apporte la prévision à moyens égaux : le modèle comparé à la règle de l’âge, à l’historique et au hasard, sur les pannes réellement survenues.
-
Ouvrir la capture
Réparer ou remplacer
Un coût de réparation projeté sur douze mois, rapporté au coût annuel du neuf. Au-dessus de un, remplacer revient moins cher — et l’origine de chaque chiffre est affichée.
-
Ouvrir la capture
Plan de rénovation
29 opérations notées sur cinq critères pondérés (risque, coût, énergie, étiquette, locataires) et étalées sous 1,5 M€ par an. Bouger les curseurs reclasse le plan en direct, et il s’exporte en CSV.
Captures du prototype tel qu’il a été démontré. Tous les chiffres qui s’y affichent viennent du kit de données fictives du défi.
Ce que ça change
Le prototype sépare ce qui est mesuré sur les pannes réelles du kit de ce que les modèles estiment — une distinction que nous avons gardée sur chaque planche du pitch.
-
39 contre 17
Pannes repérées en inspectant 128 équipements, 10 % du parc
Moyenne 2023–2025, face à la règle de l’âge, sur des pannes réellement survenues.
mesuré
-
0,871 contre 0,756
Qualité du classement (AUC)
Le modèle est réentraîné au 31 décembre de chaque année, puis confronté à l’année suivante.
mesuré
-
3,1 mois
Délai médian entre l’alerte et la panne
De quoi transformer un dépannage en urgence en commande planifiée.
mesuré
-
moins de 20 ms
Temps de réponse pour un parc deux fois plus grand que celui d’In’li
13 802 logements et 20 utilisateurs simultanés sur un petit serveur, sans erreur.
mesuré
-
410 contre 225
Pannes évitées par le plan de rénovation, 2026–2034
Même budget, autre ordre. Estimé à partir des probabilités du modèle.
estimé
-
166 k€
Écart entre réparer et remplacer, par an
Sur 315 équipements, hors investissement initial, avec des coûts de réparation en partie extrapolés.
estimé
Comment il est construit
- Deux modèles entraînés hors ligne sur le kit de données : un modèle de boosting explicable qui donne à chaque équipement un risque de panne avec les raisons qui le portent, et un second qui estime le nombre de dépannages sur un an.
- Des scores calculés une fois et écrits dans des fichiers CSV : ni l’API ni le front ne font d’inférence, donc un nouveau modèle se branche en changeant un fichier, et la démonstration tourne hors ligne sur un portable — elle ne pouvait pas dépendre du Wi-Fi du lieu.
- Deux couches à l’exécution, un service FastAPI et un front Vue, avec un contrat d’API écrit pour chaque route, pour que les chantiers modèle, API et front avancent en parallèle sans s’attendre.
- Un générateur déterministe (bibliothèque standard, graine fixe) pour le parc fictif dont la carte a besoin : le kit ne compte que 8 résidences, ce qui laissait la carte de chaleur presque vide ; il les place dans des quartiers de Toulouse cohérents avec leur époque et clone 47 résidences fictives — 129 bâtiments, 4 296 logements, 3 969 équipements — sur les profils du kit.
- Un vieillissement modélisé plutôt que semé au hasard : des dates de pose en remplacements successifs avec des durées de vie tirées selon une loi de Weibull, raccourcies quand l’entretien est faible, et un risque simulé pondéré par famille et par résidence — un score moyen de 0,06, proche des 5,9 % de taux de panne du kit, pour que les trois couches de la carte racontent trois histoires différentes et plausibles.
- Une règle écrite dans le code et dans la documentation : ces données générées servent à l’affichage seul, jamais à entraîner ni à évaluer les modèles, et chaque fichier porte le suffixe FICTIF. Le générateur vérifie sa propre sortie avant de l’écrire.
- Un langage visuel pour la carte : la forme d’un marqueur est l’époque de construction, sa couleur l’étiquette énergétique, et la carte de chaleur a trois couches monochromes — risque, densité de logements et pires étiquettes.
- 101 tests automatisés entre les modèles et le service, et un test de montée en charge à deux fois la taille du parc du bailleur.
Livré en 30 heures
- Un prototype qui tourne de bout en bout : carte, fiche équipement, tableau de bord, rentabilité et plan de rénovation
- Deux modèles explicables, réentraînés et confrontés aux pannes de l’année suivante
- Une API d’une vingtaine de routes, 101 tests automatisés entre les modèles et le service
- La note d’architecture et le contrat d’API, et le parc synthétique avec son générateur
- Un support de pitch et un pitch de cinq minutes devant le jury
Lexique
- EBM (Explainable Boosting Machine)
- Un modèle dont le score est la somme des contributions de chaque variable : les raisons affichées à l’écran sont exactement celles qui ont fait le score.
- DPE
- L’étiquette énergétique d’un logement, de A à G. F et G sont les pires, et leur location est progressivement interdite par la loi.
- In’li Sud-Ouest
- La filiale d’Action Logement qui posait le défi : un bailleur de logement intermédiaire, environ 6 300 logements dans la région.
Problèmes résolus
-
Une carte de chaleur avec huit points
Le kit ne couvre qu’un site pilote : à l’échelle de la ville, la carte paraissait vide et la démonstration tombait à plat. Plutôt que d’inventer quoi que ce soit sur le parc réel, le prototype en génère un fictif autour de Toulouse, cloné sur les profils du kit de la même époque, signalé comme simulé à l’écran et exclu des modèles par règle.
-
Six personnes, trente heures, un prototype
Écrire l’architecture et le contrat d’API dans les premières heures a coûté un temps que l’équipe n’avait pas, et en a fait gagner davantage : chaque chantier s’est construit sur un contrat écrit plutôt que sur le code inachevé des autres, et l’intégration finale a été une suite de fusions, pas une opération de sauvetage.
-
Des données fictives qui doivent rester crédibles
Des points au hasard auraient produit une carte de chaleur qui ment. Les durées de vie des équipements sont tirées selon une loi de Weibull autour de leur durée de référence et le risque est pondéré par famille et par résidence, pour que densité, mauvaises étiquettes et risque dessinent trois formes distinctes sur la carte — comme sur un parc réel.
Limites et suites
Ce qu’un prototype de 30 heures sur des données fictives ne démontre pas.
-
Les données sont fictives
Le kit est synthétique, et sur la carte les positions ainsi que 47 des 55 résidences sont générées. Les chiffres décrivent le kit, pas le parc réel d’In’li.
Brancher l’outil sur les données réelles du bailleur et mesurer les pannes réellement évitées.
-
Mesuré et estimé ne sont pas la même chose
Les 39 pannes contre 17 sont mesurées sur des pannes survenues. Les 410 du plan et les 166 k€ sont des estimations du modèle, et les coûts de réparation sont en partie extrapolés.
Confirmer les coûts sur des factures réelles avant d’avancer un montant devant une direction.
-
Un prototype, pas un service
Les comptes, l’import de données et le retour terrain existent, mais rien n’est durci : pas de déploiement, pas d’utilisateurs réels.
Une expérimentation avec les équipes du bailleur, et un réentraînement sur leur propre historique.