Interview de Nghia Phan, CTO chez ffly4u

Cas d’usage du Groupe SUEZ : Notre CTO vous explique les enjeux techniques pour calculer le taux de remplissage des bennes, véritable indicateur de suivi des activités de recyclage.

Quels ont été les enjeux techniques pour répondre aux besoins métier du Groupe SUEZ?

Même si l’on ne peut pas appeler cela un défi technique, le plus important pour nous au début de ce projet a été de comprendre avec précision le fonctionnement complet d’une déchetterie ainsi que le gain en performance opérationnelle que recherchait notre client. Sans cette compréhension, il était inutile d’aller plus loin.

Une entreprise de recyclage exploite un nombre limité de bennes, gère différents types de déchets / articles à recycler, dispose d’un nombre limité de quais et partage également des ressources communes telles que des camions de collecte et des équipements spéciaux de compactage. Un nombre limité de bennes impose que vous devez gérer au plus juste leurs flux entre les centres de collecte et les centres de valorisation des déchets.

Nous sommes finalement arrivés à la conclusion que le retour sur investissement de ce projet était vraiment basé sur notre capacité à optimiser la collecte des bennes entièrement remplies et compactées et donc à économiser des milliers de litres d’essence.

Le défi technique global a donc été de pouvoir déterminer où et surtout quand une benne est prête pour la collecte.

 

Quelles informations aviez-vous à disposition pour répondre à cette demande client?

La réponse courte est qu’il n’y avait pas d’informations facilement utilisables. Comme expliqué précédemment, nous avons passé pas mal de temps avec les équipes terrain pour comprendre les différentes étapes de l’activité : quelles informations étaient collectées manuellement par les équipes? Comment ces informations étaient ensuite traitées et utilisées? À quelles fins? Quelles décisions seraient prises en fonction des informations collectées manuellement? Une fois que nous avions cette compréhension, nous devions trouver les bonnes technologies et le bon boitier «IOT» pour collecter ces mêmes informations mais de manière automatisée et systématique, puis déterminer comment traiter et transmettre les données et les analyses associées aux équipes afin que les bonnes décisions puissent être prises. 

Les informations à collecter étaient les suivantes:

  • Localisation très précise de chaque benne, notamment lorsqu’elles sont situées sur un quai spécifique dans une déchetterie ou lorsqu’elles sont situées dans le centre de traitement des déchets
  • Type de déchets collecté dans chaque benne
  • Nombre d’événements de compactage
  • Nombre de chargement et déchargement de bennes
  • Durée d’immobilisation d’une benne sur un quai donné
  • Nombre de vidages de bennes. Vider une benne nous permet de réinitialiser le nombre d’événements de compactage
  • Nombre de trajets effectué par benne 

La technologie de différenciation clé et propriétaire que ffly4u a développée et appliquée à ce cas d’usage est appelée EDGE AI LP® : nous traitons les données localement dans le boitier (c’est-à-dire «on the EDGE») en utilisant le Machine Learning / Deep Learning tout en minimisant la consommation d’énergie d’un tel traitement. Dans les boitiers IOT standards, le traitement a généralement lieu dans le cloud avec un ensemble de données limité car les boitiers IOT se connectent généralement au cloud à l’aide d’un réseau LPWAN qui a une bande passante très limitée.

 

Comment ces informations sont-elles combinées pour obtenir un taux de remplissage ?

Obtenir le niveau de remplissage exact d’une benne est l’information ultime que tout le monde recherche dans l’IOT. Mais la réalité est autre puisqu’il n’existe actuellement aucune technologie qui soit économiquement compatible avec ce type d’entreprise de recyclage de déchets de faible valeur. Néanmoins, chez ffly4u, nous avons réussi à obtenir une estimation suffisamment précise de ce niveau de remplissage en combinant les informations suivantes, obtenues et enrichies via EDGE AI LP® :

  • Type de déchets: on peut ainsi déterminer la densité volumique des déchets. Chaque quai est dédié à un type de déchets spécifique. Grâce à notre technologie, nous pouvons également attribuer / associer en temps réel le type de déchet à chaque benne.
  • Nombre d’événements de compactage pour une benne donnée: plus la densité volumique des déchets est faible, plus vous devez effectuer un compactage pour optimiser le remplissage de la benne. Ces données sont continuellement ajustées par le Machine Learning et notre technologie EDGE AI LP®.
  • Durée d’immobilisation d’une benne sur un quai donné pour un type de déchets donné : ces données sont continuellement ajustées par le Machine Learning et notre technologie EDGE AI LP®.
  • Nombre de chargement, déchargement et vidage qui permet de déterminer quand remettre à zéro le nombre d’événements de compactage entre chaque rotation de bennes entre la déchetterie et le centre de traitement des déchets. 

Le taux de remplissage des bennes est un indicateur clé pour le Groupe Suez et plus généralement pour l’industrie du recyclage car il a un impact direct sur le taux de rotation des bennes et à terme, sur la qualité du service client.

Écrire un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *