Connecter l’intégralité d’un parc garantit une mesure directe sur chaque équipement, mais entraîne autant de capteurs à acheter, installer, alimenter, connecter et maintenir.
Une approche plus frugale consiste à instrumenter une partie représentative du parc, construire des historiques, utiliser l’intelligence artificielle pour estimer le comportement des équipements non instrumentés, puis confronter régulièrement ces prédictions aux observations terrain.
Le bon taux d’équipement devient alors un arbitrage entre qualité de l’information, précision nécessaire au métier, coût d’exploitation et empreinte matérielle du dispositif.
Sur un parc de 1 000 corbeilles, 200 équipements instrumentés peuvent déjà fournir assez de données pour entraîner plusieurs modèles de prédiction et estimer le remplissage du reste du parc. Cinq modèles peuvent être comparés, puis leurs résultats vérifiés directement par les agents lors des tournées.
Ce type d’architecture pose une question importante pour les projets de corbeilles connectées et de PAV connectés : quel niveau d’instrumentation permet d’obtenir une information suffisamment représentative pour organiser la collecte, sans multiplier les capteurs au-delà de ce qui est réellement utile ?
La réponse dépend du besoin métier, de la diversité du parc, de la qualité des historiques disponibles et de la précision attendue. C’est aussi là que la frugalité numérique prend une dimension très concrète : chercher le juste niveau de mesure pour produire une décision fiable.
Quel niveau d’instrumentation permet réellement de connaître l’état d’un parc de corbeilles ?
Sur un parc de 1 000 corbeilles, équiper 200 points de mesure crée déjà un échantillon conséquent. Les données remontées permettent de suivre directement une partie du parc et de constituer progressivement des historiques de remplissage. Ces historiques servent ensuite à analyser le comportement des équipements non instrumentés. Le pourcentage d’équipement n’apporte pourtant qu’une partie de la réponse. Deux parcs affichant exactement le même nombre de corbeilles peuvent nécessiter des stratégies très différentes. Une corbeille située dans une zone résidentielle stable peut présenter un rythme de remplissage assez régulier. À quelques centaines de mètres, un équipement placé à proximité d’un marché, d’un parc ou d’un axe fortement fréquenté peut connaître des variations beaucoup plus importantes. Le choix des points à instrumenter doit donc tenir compte de la diversité réelle du parc.
La localisation constitue une première variable. Le SIG permet de référencer les équipements, de distinguer ceux qui disposent d’un capteur et ceux dont le remplissage sera estimé. Cette lecture spatiale permet aussi d’identifier les zones sous-représentées dans l’échantillon ou les secteurs dont le comportement diffère du reste du territoire.
La temporalité en apporte une deuxième. Un équipement peut suivre un rythme très stable pendant plusieurs semaines avant de changer brutalement de comportement pendant les vacances, un événement ou une période de forte fréquentation. Le niveau d’instrumentation dépend alors de la capacité de l’échantillon à représenter ces différents profils. Une corbeille très régulière finit par apporter peu d’information nouvelle une fois son comportement bien connu. Une autre, soumise à des variations fréquentes, peut rester particulièrement informative pour le système.
Cette distinction ouvre une première piste d’optimisation : tous les équipements n’ont pas la même valeur comme point de mesure. Le besoin métier tranche ensuite. Un service souhaitant principalement limiter les passages sur des corbeilles très faiblement remplies peut accepter une marge d’estimation relativement large. Un équipement situé dans une zone où les débordements sont particulièrement sensibles pourra, lui, justifier une mesure directe et plus fréquente. Le taux d’équipement pertinent apparaît donc au croisement de trois éléments : diversité du parc, précision attendue et nature de la décision à prendre.
La frugalité numérique consiste à collecter juste assez de données pour décider
La frugalité prend ici une forme très opérationnelle.
Chaque capteur doit apporter une information supplémentaire suffisamment utile pour justifier son installation. Lorsque l’ajout de nouveaux équipements améliore très peu la connaissance du parc, le gain marginal devient faible.
Sur 1 000 corbeilles, l’écart entre 200 et 1 000 capteurs représente 800 équipements supplémentaires. Pour justifier leur présence, ces 800 points doivent améliorer de façon significative la qualité de la décision prise par les équipes.
Cette logique demande de regarder la donnée autrement.
Une mesure ponctuelle indique simplement l’état d’une corbeille à un instant donné. Une succession de mesures forme un historique. Cet historique permet ensuite d’identifier des rythmes, des répétitions, des écarts et des profils comparables.
À partir de là, le capteur installé sur un équipement commence à produire de la connaissance sur d’autres équipements.
C’est précisément ce qui rend possible une instrumentation frugale.
Mesurer la quantité d’information réellement apportée
Prenons une corbeille dont le niveau de remplissage suit pratiquement le même rythme chaque semaine. Après plusieurs mois d’observation, son comportement devient largement prévisible. Maintenir une mesure permanente continue évidemment de produire des données, mais ces nouvelles données peuvent apporter de moins en moins d’information.
À l’inverse, un équipement dont le comportement varie fortement reste difficile à anticiper. Le maintenir instrumenté peut donc apporter davantage de valeur au modèle.L’échantillon peut ainsi évoluer. Des capteurs peuvent rester sur les points les plus informatifs, tandis que d’autres peuvent être déplacés temporairement afin de documenter un secteur encore mal connu ou une nouvelle configuration de mobilier. Le parc instrumenté devient alors dynamique.
Faire évoluer l’équipement avec la connaissance du parc
Cette approche modifie aussi la manière de penser le déploiement. Le nombre de capteurs n’a pas besoin d’être figé dès le premier jour. Une première phase sert à construire les historiques. Les premiers modèles permettent ensuite d’identifier les zones bien prédites et celles qui demandent davantage de mesure. Le niveau d’équipement peut alors augmenter localement, diminuer ailleurs ou être redistribué.
La frugalité repose donc sur une logique d’apprentissage : mesurer, comprendre la représentativité de la donnée, puis ajuster l’instrumentation. Ce principe est particulièrement pertinent pour des projets environnementaux. Ajouter un équipement pour améliorer très légèrement une prédiction peut avoir moins de sens qu’utiliser davantage les données déjà produites.
Comment l’IA permet-elle d’étendre la connaissance au-delà des équipements instrumentés ?
L’intelligence artificielle intervient précisément lorsque les historiques deviennent assez riches pour identifier des comportements récurrents. Dans le dispositif étudié, les données de 200 corbeilles servent à entraîner plusieurs modèles chargés d’extrapoler le remplissage des autres équipements du parc. Cinq modèles de prédiction sont expérimentés afin de comparer leurs résultats et de mesurer leur fiabilité.
Cette comparaison est importante : Un modèle peut être performant sur certains profils de corbeilles et beaucoup moins précis sur d’autres. L’enjeu consiste donc à mesurer la qualité des prédictions selon les catégories d’équipements et les contextes d’usage. La prédiction peut par exemple s’appuyer sur les comportements historiques, la localisation et la proximité avec des équipements présentant des profils similaires. Plus les historiques deviennent riches, plus il devient possible d’identifier des régularités.
Le rôle de l’IA est alors très ciblé : extraire davantage d’information d’un nombre limité de mesures directes. Cette approche permet d’éviter une logique dans laquelle chaque nouveau point du parc entraînerait automatiquement l’installation d’un nouveau capteur. Un nouvel équipement peut d’abord être rapproché de profils connus. S’il se comporte comme prévu, l’estimation peut suffire. Si son comportement diverge fortement, une période d’instrumentation directe permettra de reconstruire un historique spécifique. L’IA devient ainsi un outil de sélection des endroits où la mesure directe reste utile.
Cette distinction est importante parce qu’elle transforme le modèle économique du projet. Sur un parc en évolution, l’ajout de nouvelles corbeilles n’entraîne plus nécessairement une augmentation strictement proportionnelle du nombre de capteurs. Le système peut absorber une partie de cette croissance grâce à la connaissance déjà acquise. L’intelligence artificielle permet donc d’agir sur deux niveaux :
- améliorer la prévision du remplissage ;
- optimiser progressivement la manière dont le parc lui-même est instrumenté.
La deuxième dimension est souvent la plus intéressante dans une logique de frugalité.
Pourquoi les agents restent-ils indispensables pour fiabiliser les prédictions ?
Les cinq modèles testés dans le dispositif source sont confrontés à un élément beaucoup plus simple : ce que les agents trouvent réellement lorsqu’ils arrivent devant la corbeille. Ils disposent d’une application mobile leur permettant de confirmer l’état des équipements pendant les tournées. Cette observation terrain sert directement à contrôler la qualité des estimations.
Supposons qu’une corbeille soit annoncée à 80 % alors que l’agent la trouve à moitié vide. Une seule erreur peut rester anecdotique. Si le même écart se reproduit sur plusieurs semaines, il devient beaucoup plus intéressant. Le comportement de l’équipement a peut-être changé. Son environnement a pu évoluer. Le modèle peut aussi avoir mal identifié les variables qui expliquent son remplissage. L’écart entre prévision et observation devient alors une donnée supplémentaire. Le système peut corriger le modèle, requalifier le profil de la corbeille ou décider de maintenir temporairement un capteur sur cet emplacement. La boucle d’apprentissage s’appuie donc sur quatre étapes :
mesure → prédiction → vérification terrain → ajustement.
Cette organisation apporte aussi une protection contre le vieillissement du modèle. Une ville change. Les flux piétons évoluent, les commerces ouvrent ou ferment, les usages d’un espace public se transforment. Un historique très fiable pendant deux ans peut devenir moins représentatif après une modification de l’environnement. Les agents détectent souvent ce type de rupture avant le modèle. Leur connaissance du terrain permet également de qualifier les anomalies. Une corbeille remplie exceptionnellement après un événement public ne doit pas nécessairement modifier durablement le profil statistique de l’équipement. La donnée terrain évite ainsi de traiter chaque écart de la même manière. Elle apporte le contexte nécessaire pour distinguer une anomalie ponctuelle d’une évolution structurelle.
Comment arbitrer entre précision, coût, maintenance et impact environnemental ?
Passer de 1 000 à 200 capteurs modifie immédiatement la quantité de matériel déployé. 800 équipements supplémentaires impliqueraient 800 achats, 800 installations, autant de systèmes de communication, de batteries et de points potentiels de maintenance. L’écart continue ensuite pendant toute la durée du projet. Chaque capteur peut nécessiter un remplacement de batterie, un diagnostic ou une intervention sur site. À quelques dizaines d’unités, ces opérations restent facilement absorbables. À plusieurs centaines ou plusieurs milliers, elles deviennent un poste d’exploitation à part entière. La frugalité agit donc directement sur le coût total de possession. Elle agit également sur l’empreinte physique du dispositif.
"N’équiper qu’un cinquième du parc évite d’ajouter du plastique en ville, ce qui n’est pas négligeable dans un projet au service de l’environnement."- Alexis Semmama, directeur général d’Eridanis
Cette remarque remet le matériel numérique dans le bilan environnemental du projet. Optimiser une collecte peut réduire les kilomètres parcourus et limiter les passages inutiles. Certains dispositifs vont jusqu’à associer cette optimisation à l’utilisation de vélos-cargos pour la collecte de certains espaces publics. Le gain environnemental final dépend alors de l’ensemble du système :
- quantité d’équipements installés ;
- maintenance nécessaire ;
- déplacements évités ;
- moyens utilisés pour les tournées ;
- qualité réelle de la prédiction.
Une réduction excessive du nombre de capteurs peut dégrader la précision et provoquer davantage de débordements ou de déplacements inutiles.
À l’inverse, multiplier les équipements pour gagner quelques points de précision peut augmenter sensiblement les coûts et l’empreinte matérielle. Le bon taux d’instrumentation apparaît à l’endroit où une nouvelle mesure cesse d’améliorer suffisamment la décision pour justifier les ressources qu’elle mobilise. C’est aussi pour cette raison qu’un pourcentage comme 20 % ne constitue pas une règle réplicable partout. Il constitue une démonstration : un parc peut être piloté avec une architecture mêlant mesure directe, historique, prédiction et validation terrain. Le taux final doit ensuite être déterminé à partir des caractéristiques réelles du service.
Conclusion : Instrumenter le besoin, pas le parc
La question « faut-il connecter toutes les corbeilles ? » se résout finalement par la donnée elle-même. Commencer par une partie du parc permet de construire des historiques. Ces historiques permettent de tester plusieurs modèles de prédiction. Les agents confrontent ensuite les estimations au terrain. Les écarts indiquent où le système reste fiable et où davantage de mesure est nécessaire. Le taux d’équipement peut ainsi évoluer au fur et à mesure que la connaissance du parc progresse. Certaines corbeilles resteront directement instrumentées en permanence. D’autres pourront être suivies par prédiction. Des capteurs pourront être déplacés vers des zones encore mal connues ou vers des équipements dont le comportement vient de changer.
Cette organisation donne un sens concret à la frugalité numérique : collecter juste assez de données pour maintenir une décision fiable, puis concentrer les équipements là où ils apportent réellement de la connaissance. Le bon projet n’est donc pas celui qui atteint un pourcentage d’instrumentation prédéfini. Il est celui qui sait mesurer, à chaque étape, combien de capteurs sont réellement nécessaires pour obtenir le niveau d’information attendu par le métier.
