Le fil

GRTgaz

- 25 février 2019

Depuis 2016, GRTgaz, opérateur gérant la majorité du réseau de transport de gaz en France, a monté un DataLab avec pour objectif de mesurer l’apport des approches « data » pour les différents métiers. Datastorm a été sélectionné comme partenaire de ce DataLab et a pu réaliser différents projets sur des sujets aussi divers que la modélisation de la consommation par très grand froid, que la prévision à très court terme de la qualité du gaz en sortie des points livrant les industriels ou encore la simulation des flux réseaux à moyen terme pour le dimensionnement du réseau. Parmi ces sujets, Datastorm a travaillé avec la direction technique de GRTgaz sur des modèles prédictifs de la corrosion ou des atteintes au métal en vue d’optimiser la politique de maintenance opérationnelle (excavations pour rechercher des défauts sur les conduites et procéder à des réparations ou remplacements préventifs). L’approche mise en oeuvre repose sur des algorithmes de machine learning exploitant de manière géospatiale les données des différents systèmes d’information et des données externes (éléments influençant potentiellement l’équilibre cathodique des réseaux). Elle a permis d’augmenter sensiblement le taux de découverte. Au delà du POC mis en oeuvre, nous avons accompagné les équipes de GRTgaz pour l’industrialisation de ces algorithmes qui sont désormais utilisés en production pour la préparation des plans de fouille.

R&D
Voici shinydrive, le dernier-né des packages Datastorm

Dans la famille des packages shiny de Datastorm, voici le petit dernier : shinydrive. Le package shinydrive a été développé pour répondre à un besoin simple : faciliter le partage de fichiers entre différents utilisateurs d’une application R/shiny.

R&D
Functional Data : un potentiel encore peu exploré

La dernière matinée R&D de Datastorm était notamment consacrée aux données fonctionnelles. Elles peuvent apporter de nouvelles pistes de modélisation pour la prévision ou l’analyse. Le point avec Benoit Ravel, CEO de Datastorm.

Replay webinar : Anticiper les dérives de vos Modèles de Machine Learning grâce au MLOps

La multiplication des projets data et des algorithmes expose les entreprises à un risque aujourd’hui clairement identifié : la baisse de performance des modèles de Machine Learning. Il est pourtant capital d’anticiper les dérives de vos modèles et le Machine Learning Operations (MLOps) peut vous y aider. Dans ce nouveau webinaire, les équipes de Datastorm vous expliquent comment.

Toute l'expertise du Groupe ENSAE-ENSAI

Plateau de Saclay
5 Avenue Henry-Le-Chatelier
91120 PALAISEAU - FRANCE

Paris
24 rue Barbès
92120 MONTROUGE - FRANCE