Recommandations d’IA explicables pour maison intelligente alimentée par énergie solaire

Les objectifs primaires de ce projet sont tout d’abord de commencer par faire
marcher les scripts du projet précédent sur les nouvelles données. Par la suite
nous voulons analyser des articles en lien avec notre problématique et les sys-
tèmes de recommandation. Le but est d’ensuite de concevoir un système de re-
commandation en se basant sur la littérature faite pour finalement l’implémenter
dans l’étape suivante.
Les objectifs secondaires sont d’implémenter plusieurs systèmes de recomman-
dation et de les comparer entre eux a fin de définir les avantages de chacun. Il
serait également intéressant de mettre en place de l’eXplainable AI,dans le kcas
où nous avons utilisé des modèles de machine learning. Nous voulons également
tester ces systèmes dans la maison du client en plus du fait de les tester en local
sur les données récoltées. Finalement, nous voulons imaginer une infrastructure
où les panneaux solaires sont des batteries a fin de voir les différences qui nous

aurions sur notre système de recommandation lors des décisions prises.

En résumé, quatre étapes ont eu lieu dans ce projet. Nous avons commencé
par une étape d’analyse de nos besoins, suivie d’une étape de conception pour
répondre aux contraintes de ce projet, la partie de développement et pour finir
l’étape d’évaluation du projet.

Lors de l’analyse nous avons pris connaissances des techniques existantes pour
créer des systèmes de recommandations tout en regardant comment intégrer
les habitudes des habitants et le but d’optimiser la consommation. Nous avons
défini que dans notre cas ce qui nous est le plus pertinent sera d’implémen-
ter un système knowledge-based pour nous permettre de rajouter des règles
pour optimiser la consommation de notre habitant. Ensuite nous avons ana-
lysé des architectures similaires à nos besoins pour s’inspirer pour notre projet,
ceux-ci mixaient souvent plusieurs types de système de recommandation. Nous
avons également regardé comment fonctionnait un système de classement tel
que TOPSIS [21] car nous voulons intégrer ceci à nos recommandations pour
ainsi les classer et éventuellement en garder qu’un certain nombre. Finalement,
nous avons détaillé le contenu des données récoltées pour ce projet en mention-
nant une approche NILM que nous voudrons peut-être utiliser dans le futur
pour détecter les appareils allumés en fonction de la consommation étant donné
que nous n’avons pas cette information.

Pour l’instant le système de recommandation prend en compte uniquement les
données de la journée précédente, dans le futur il serait intéressant de l’adapter
pour qu’ils agissent différemment en fonction du jour de la semaine et en pre-
nant en compte plus de données que juste la journée précédente. Les feedbacks

de l’habitant ne sont pas implémentés, ceci permettrait de modifier le système
en fonction des critiques de celui-ci.
Pour que l’habitant puisse visualiser l’historique des données, une application
web sera implémentée. Le but est de mettre dans celle-ci la plupart des visualisa-
tions que nous pouvons voir dans l’exploration des données pour que l’habitant
puisse consulter ses habitudes et sa production comme sa consommation