Et si l’IA pouvait prédire l’état des circulations SNCF en temps réel ?
Développé par DGEX Solutions chez SNCF Réseau, le projet Transformer a de nombreuses applications aussi bien pour SNCF Réseau dans la gestion opérationnelle des circulations, que pour SNCF Voyageurs dans l’amélioration de l’information transmise aux voyageurs. A terme, c’est l’ensemble du groupe ferroviaire et de ses clients qui pourrait en bénéficier au quotidien.
Publié le
Par La Redaction
Le Transformer, c’est quoi ?
Jusqu’ici, les solutions utilisées par SNCF, pour s’occuper de ces problématiques, se basaient sur le principe de « translation ». Ainsi, si un train a 5 minutes de retard, 10 kilomètres plus loin, le retard envisagé sera toujours de 5 minutes. « Notre volonté, avec Transformer, est d’aller plus loin, en utilisant d’une part, l’analyse de quantités de données très conséquentes, et d’autre part, des intelligences artificielles qui n’existaient pas il y a encore quelques années. Le type d’intelligences artificielles que nous utilisons sont du même acabit que ce que va utiliser Waze ou Google Maps pour prédire l’état du trafic routier par exemple.
Des millions de données sont analysées par la solution Transformer. Grâce au machine learning, l’IA apprend des différents précédents sur les lignes, évolue, progresse et gagne en précision. L’idée, avec Transformer, était donc d’avoir une sorte de Waze du ferroviaire.
Affichage en gare © SNCF
Affichage en gare © SNCF
Comment Transformer fonctionne-t-il ?
Il y a donc une logique d’apprentissage qui peut durer plusieurs heures ou plusieurs jours selon la quantité de données que l’on fournit à l’intelligence artificielle. Elle est nourrie de connaissances sur les infrastructures, ce qui lui permet de comprendre les interactions qui existent entre les circulations et les nœuds ferroviaires sur lesquels se propagent les retards. « Une partie de l’intelligence de Transformer se base donc sur cette compréhension de l’infrastructure, mais elle s’appuie aussi sur la compréhension des plans de transport passés et à venir. On utilise plusieurs années d’historiques contenant plusieurs dizaines de millions d’observations. Très concrètement, nous regardons le jalonnement des circulations par le passé, ce qui permet de comprendre des dynamiques et comment se propage le retard. Cependant, il ne faut pas penser que l’intelligence artificielle Transformer est uniquement basée sur l’analyse des circulations passées, la vraie intelligence de Transformer réside dans la compréhension globale des interactions entre les éléments du système. » explique Guillaume Lecoeur.
Deepmind © unsplash
Pour pouvoir donner naissance au Transformer, DGEX Solutions s’est appuyé sur une vraie expertise dans le domaine de la data et de l’intelligence artificielle chez SNCF, ce qui a permis la création d’un socle de données performant, accessible et de grande qualité. « Nous avons également eu une approche qui a consisté à extraire toute la complexité du système, en essayant de travailler à l’échelle de la ligne dans son ensemble et non exclusivement de la voie, ce qui permet de réduire la quantité de données au profit de leur qualité. » précise-t-il.
Une fois les données récoltées et analysées, il s’agit de les restituer en temps réel. Cette restitution des résultats peut prendre plusieurs formes différentes, et par exemple être intégré à un Graphique Espace Temps (GET) ou dans une cartographie représentant le suivi des circulations. « Pour qualifier la performance de tout cela, nous utilisons les indicateurs du programme First – réactivité et fiabilité – à travers le prisme de l’incident ou de la desserte. C’est cela qui permet de qualifier la performance de Transformer par rapport à d’autres intelligences comme la Translation. » ajoute-t-il.
Deepmind © unsplash
Genèse du projet
Les points de départ de ce projet sont d’ailleurs les sujets de thèse de Marie Milliet de Faverges, étudiante en thèse au CNAM qui a débuté en 2017, et celle de Guillaume Dalle, étudiant en thèse à l’École des Ponts Paris Tech, toujours en cours. « Ce sont les tout premiers travaux et réflexions sur le sujet que l’on pouvait avoir à la DGEX. » précise Bertrand Houzel, directeur de l’entité DGEX Solutions. Le projet Transformer se structure ensuite au milieu de l’année 2020, notamment grâce à la collaboration avec l’école Polytechnique et l’École Normale Supérieure de Paris. « Beaucoup d’étudiants ont travaillé sur le sujet, comme Farid Arthaud de l’ENS de Paris ou Amine Chaker, un ancien étudiant de Polytechnique, qui a maintenant rejoint le pôle données & innovation de DGEX Solutions et travaille toujours sur Transformer, tout comme Alban Pierre de l’École Normale Supérieure de Paris. Nous avons donc eu une phase de recherche très intense qui a commencé en 2020 et qui se poursuit encore aujourd’hui. Par exemple, l’été dernier, nous avons accueilli une quarantaine d’étudiants de Polytechnique dans le cadre du « Railway Summer Camp » organisé par DGEX Solutions et une partie d’entre eux a travaillé sur ce projet. Le fait de collaborer avec des étudiants des grandes écolespermet de les intéresser à tous ces sujets – data, intelligence artificielle… – qui sont transverses à l’entreprise et ses différentes SA, de les introduire au monde ferroviaire, et par conséquent, d’accroître l’attractivité de SNCF auprès des jeunes talents. » ajoute-t-il.
Sur la base de ces travaux de recherche, SNCF Voyageurs a, par la suite, rapidement montré un fort intérêt pour le projet, ce qui a permis de passer de la phase de recherche à la phase d’expérimentation. « C’est vraiment First qui a permis de porter ce projet. Durant cette phase, nous avons pu étudier l’utilisation du Transformer dans des situations variées, telles que la crise de Massy. Cette dernière expérience a été probante, puisqu’elle a démontré l’efficacité de Transformer dans une situation de crise inédite. Nous avons également étudié le Transformer dans des contextes de « mass transits », en Île-de-France notamment. Là encore, nous avons pu montrer que nous avions une fiabilité beaucoup plus forte que sur les autres intelligences, telles que la Translation. » explique Bertrand Houzel.
Aujourd’hui, cette phase d’expérimentation se termine, et débute la phase d’industrialisation en vue d’une intégration aux systèmes d’informations. Le projet Transformer est ainsi en cours d’étude pour intégrer les systèmes d’informations de SNCF Voyageurs et de SNCF Réseau. « En tant que tout premiers utilisateurs, les Centres Opérationnels Transilien (COT) de SNCF Voyageurs, ainsi que les Centres Opérationnels de Gestion des Circulations (COGC) de SNCF Réseau, seront les premiers impactés positivement par l’utilisation de cette nouvelle intelligence artificielle. » conclut Guillaume Lecoeur.
