• 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

Du kit de données à la carte : des scores calculés hors ligne, servis en lecture seule Kit de données 13 CSV · 2018–2025 10 067 interventions Hors ligne · à la main Modèle de panne EBM · 32 variables Modèle de coût EBM · réparer ou remplacer Scores précalculés score + raisons, CSV Service FastAPI CSV en mémoire (pandas) Plan de rénovation · 5 critères ni inférence, ni LLM Vue 3 + MapLibre carte · fiche · bilan · plan Parc synthétique déterministe, graine 42 carte seule, jamais les modèles JSON · GeoJSON Du kit de données à la carte : des scores calculés hors ligne, servis en lecture seule Kit de données 13 CSV · 2018–2025 · 10 067 interventions Hors ligne · à la main Modèle de panne EBM · 32 variables Modèle de coût EBM · réparer ou remplacer Scores précalculés score + raisons, CSV Parc synthétique déterministe, graine 42 carte seule, jamais les modèles Service FastAPI CSV en mémoire (pandas) ni inférence, ni LLM JSON · GeoJSON Vue 3 + MapLibre carte · fiche · bilan · plan
Le kit de données du défi alimente deux modèles entraînés hors ligne : un modèle de boosting explicable qui donne à chaque équipement un risque de panne avec ses raisons, et un second qui estime les coûts de réparation. Les deux écrivent des fichiers CSV de scores précalculés. Un service FastAPI charge ces fichiers et le kit en mémoire avec pandas, note le plan de rénovation selon cinq critères pondérés et sert du JSON et du GeoJSON. Un front Vue 3 avec MapLibre dessine la carte, la fiche équipement, le tableau de bord et le plan. Un générateur séparé, lancé à la main, produit le parc fictif utilisé par la carte seule — jamais par les modèles. Ni l’API ni le front ne font d’inférence, et aucun modèle de langage n’intervient nulle part.

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.

  • Capture du prototype : la carte du parc sur Toulouse, avec ses bulles de risque et, à droite, les résidences classées par part de logements à risque. 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.

  • Capture du prototype : une fiche équipement, avec la part de chaque raison dans son score, ses interventions passées et les boutons de décision. 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.

  • Capture du prototype : le tableau de bord comparant le modèle à la règle de l’âge, à l’historique et au hasard, à nombre d’inspections égal. 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.

  • Capture du prototype : l’écran réparer ou remplacer, avec l’indice par famille d’équipement et l’économie annuelle. 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.

  • Capture du prototype : le plan de rénovation, avec ses curseurs de pondération, les gains face à l’ordre chronologique et le budget engagé par année. 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.

Capture du prototype : la carte du parc sur Toulouse, avec ses bulles de risque et, à droite, les résidences classées par part de logements à risque.
Carte du parc

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.

Palette de commandes

Accueil
Projets
Carrière
Mobilité
Passions
Engagement citoyen
En bref
À propos
Parcours
Contact
Compétences
Le poste que je vise
CV
Lettre de motivation
Expérience
Formation
Certifications
Langues
Projets de mobilité
Déjà à l’étranger
Télémétrie IoT sécurisée
Surveiller les émissions d’un satellite avec Grafana
Architecture multisite sécurisée
BâtIA — prédire les pannes du bâtiment
Réseau 5G Standalone
Durcissement systèmes et réseaux
Évaluation et exploitation de vulnérabilités
Conception et sécurisation d’un réseau multisite
Répéteur régénératif pour liaisons par satellite
Utiliser le thème clair
Utiliser le thème sombre
Utiliser le thème du système
Read in English
Copier mon adresse e-mail
Télécharger mon CV (PDF)
Ouvrir mon profil LinkedIn
Revenir en haut