Les sociétés de services publics gèrent les données issues de la production, du transport, de la distribution, des opérations sur le terrain, des systèmes clients et des fonctions d’entreprise. Toutefois, des données, des plateformes et des modèles de propriété d’entreprise fragmentés compliquent la transformation de ces renseignements en données fiables et réutilisables pour l’analyse et l’intelligence artificielle (IA).

Un modèle de données fédéré offre aux domaines d’affaires une plus grande appropriation des données qu’ils comprennent le mieux, tout en maintenant une gouvernance, une sécurité et des normes communes. Ce modèle peut accélérer l’accès à des données fiables, favoriser des produits de données réutilisables et jeter les bases d’une fondation pour mettre à l’échelle l’IA.

CGI et Databricks aident les services publics à mettre en pratique ce modèle, à combiner l’architecture des données fédérée à la gouvernance, à l’ingénierie et aux capacités d’IA requises pour la mise à l’échelle.

Pourquoi les services publics ont-ils besoin d’une stratégie de données fédérée?

Les services publics exercent leurs activités dans différents domaines d’affaires comportant des exigences distinctes quant aux données, aux opérations et aux réglementations.

  • Production : nucléaire, énergies renouvelables et source hydroélectrique
  • Transport et opérations de réseau
  • Distribution et opérations sur le terrain : pannes, fiabilité, santé des actifs et gestion de la végétation
  • Clients et relevés des compteurs à l’encaissement : infrastructure de mesure avancée, lectures de compteur, facturation et paiements
  • Opérations gazières
  • Fonctions d’entreprise : finances, main-d’œuvre, approvisionnement ainsi que environnement, social et gouvernance (ESG)

Une gestion centralisée des données dans l’ensemble de ces domaines peut créer des goulots d’étranglement lorsque les priorités et les exigences spécialisées se font concurrence.

Une stratégie fédérée en matière de données en répartit la responsabilité en maintenant le contrôle de l’entreprise en vertu de quatre principes.

  • Propriété de domaine – Chaque domaine d’affaires est propriétaire des données qu’il connaît le mieux.
  • Données en tant que produit – Les données sont sélectionnées, documentées et mises à la disposition pour réutilisation.
  • Libre-service – Les domaines travaillent avec leurs données à partir d’une plateforme partagée, ce qui réduit la dépendance vis-à-vis de la fonction centrale de TI.
  • Gouvernance fédérée – La sécurité, le catalogage et les normes demeurent essentiels, pendant que les domaines opèrent selon des balises communes.

CGI applique cette approche auprès d’une importante société de services publics américaine où des lacs de données fédérés évoluent dans différentes sphères, y compris le gaz, la distribution de l’énergie, les énergies renouvelables, le client et le nucléaire. Le programme élargi de plateforme de données a stimulé le libre-service et la collaboration, tout en réduisant la duplication des données et en améliorant la cohérence dans l’ensemble des filiales.

L’atelier sur la stratégie de données fédérée et la modernisation des données de CGI aide les dirigeants des services publics à privilégier les produits de données de grande valeur, à identifier les écarts de gouvernance et de sécurité de même qu’à orchestrer la modernisation en fonctions des priorités d’entreprise.

Comment Databricks soutient-elle un modèle de données fédéré pour les services publics?

La plateforme d’intelligence des données de Databricks propose une fondation commune pour la propriété des données distribuées sans créer de nouveaux cloisonnements. Les domaines peuvent détenir et publier des produits de données alignés sur leurs besoins d’affaires. Parallèlement, le catalogue Unity de Databricks assure une gouvernance commune entre ces éléments.

D’un côté, les équipes de distribution, par exemple, peuvent créer des produits réutilisables à partir des données liées aux compteurs, aux pannes, aux actifs et à la fiabilité. De l’autre côté, les équipes de production gèrent la performance de l’usine et les données de maintenance, pendant que les équipes dédiées aux clients assurent la gestion des données sur les comptes, l’utilisation et la facturation. Le catalogue Unity procure des capacités partagées de contrôle d’accès, d’audits, de traçabilité, de métadonnées et de découverte pour l’ensemble de ces domaines.

Une ingestion réutilisable, axée sur les métadonnées, peut favoriser la mise à l’échelle des services publics sans avoir à établir un carnet de commandes personnalisé pour chaque nouvelle source. CGI utilise des cadres de gestion fondés sur les métadonnées pour normaliser l’ingestion et l’assurance qualité des données, ce qui permet ainsi de réduire la nécessité d’un développement personnalisé et d’une maintenance continue.

Le résultat est un parcours accéléré des données brutes vers des renseignements fiables ainsi que réutilisables pour l’analyse et l’IA.

La modernisation peut également être orchestrée autour de la valeur opérationnelle, sans avoir à déplacer tout le patrimoine de données avant d’en tirer des avantages.

L’architecture Lakehouse et l’évaluation de la migration de Databricks chez CGI permettent aux services publics de définir leur modèle de gouvernance du catalogue Unity, l’architecture des produits de données, l’approche d’ingestion axée sur les métadonnées, les contrôles de qualité ainsi que les vagues de migration fondées sur la valeur opérationnelle et les risques.

En quoi les données gouvernées aident-elles les services publics à mettre l’IA à l’échelle?

Des produits de données gouvernés et réutilisables procurent aux applications d’IA un contexte d’affaires de confiance. Pour les services publics, ceci peut soutenir des cas d’utilisation couvrant les prévisions de charge, la santé des actifs, la gestion des pannes de courant et de la fiabilité, l’optimisation de la production, les opérations sur le terrain et le service à la clientèle.

L’infrastructure de mesure avancée illustre le lien.

CGI a développé et présenté une solution pilote d’IA, une plateforme pour la lecture des compteurs utilisant Azure et Databricks, pour démontrer dans quelle mesure les données de compteurs unifiées peuvent avoir raison d’une visibilité fragmentée et d’une prise de décisions opérationnelles au ralenti. La solution a permis de regrouper les données des compteurs pour soutenir l’analyse, la détection des anomalies et les prévisions opérationnelles.

Lors du projet pilote, la solution a :

  • détecté, cartographié et attribué plus de 1 200 baisses de tension à des compteurs précis;
  • amélioré la visibilité sur la santé des compteurs, la charge des transformateurs et la qualité du courant électrique;
  • mis à profit la détection des anomalies pour identifier les chutes de tension et les pics de consommation pour soutenir des opérations de réseau plus proactives;
  • permis aux équipes sur le terrain et aux analystes de poser des questions à propos des données de compteurs en langage naturel;
  • appliqué des modèles prédictifs pour la prévision de la consommation et la détection des anomalies.

L’IA passe des projets pilotes à la production

Intégrer l’IA dans la production exige des contrôles reproductibles du cycle de vie quant à la façon dont les modèles et les applications d’IA générative sont déployés, surveillés et gouvernés.

Les opérations d’apprentissage machine (MLOps) procurent une discipline pour l’apprentissage automatique, y compris le contrôle des versions, le déploiement, la surveillance et le réentraînement à mesure que les données et les conditions opérationnelles changent. L’IA générative ajoute des exigences en matière d’ancrage, d’évaluation, d’accès, de sécurité, de traçabilité et de coûts, ce que les opérations des grands modèles de langage (LLMOps) appliquent à l’ensemble des applications et des agents.

Les capacités de Databricks telles que le catalogue Unity et la passerelle d’IA procurent des contrôles sur les données, les modèles et les interactions d’IA. L’accélérateur LLMOps Brickbuilder de Databricks chez CGI propose en plus des modèles réutilisables pour l’évaluation et la gouvernance des applications de grands modèles de langage (LLM) tout au long du cycle de vie.

Pour les sociétés de services publics, la gouvernance doit également refléter le domaine opérationnel, la juridiction, les données et l’utilisation prévue. Les exigences applicables peuvent varier s’il s’agit d’un réseau électrique en vrac, du nucléaire ou d’opérations gazières. Le principe commun est d’établir la propriété, les données approuvées, les contrôles d’accès et la traçabilité dès le départ, puis d’assurer un suivi de la performance, de la qualité, de l’utilisation et des résultats d’affaires en production.

Comment les services publics peuvent-ils bâtir une fondation pour l’IA à grande échelle?

Fédérez les données à l’échelle de l’entreprise. Établissez une fondation gouvernée. Utilisez cette fondation pour transformer l’analyse et l’IA en valeur opérationnelle.

La séance de CGI sur l’état de préparation pour l’IA gouvernée, les MLOps et les LLMOps aide les services publics à évaluer les scénarios d’utilisation d’IA, à déterminer si leurs données et leur gouvernance sont prêtes pour la production et à établir les contrôles du cycle de vie requis pour la mise à l’échelle. Ils peuvent également appliquer l’accélérateur LLMOps Brickbuilder de Databricks chez CGI pour établir des modèles d’évaluation reproductibles pour l’IA générative.