/ Par Team ffly4u / blog/ 0 commentaires

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.

/ Par Team ffly4u / blog/ 0 commentaires

Digitalisation des services de recyclage des déchets : une belle histoire…..qui vous concerne !

Il en est des secteurs industriels comme des recettes gastronomiques : certains sont traditionnels, d’autres plus contemporains. En matière de collecte et recyclages de déchets, on faisait plutôt dans le traditionnel. C’était sans compter sur la volonté d’un leader du secteur, le groupe SUEZ, de forcer le secteur à se digitaliser.

 

Quand l’industrie rencontre la technologie…

L’histoire est édifiante, et caractéristique de la rencontre vertueuse d’un besoin industriel et d’une technologie, mais aussi d’une start-up dédiée à l’innovation B2B par la data à forte valeur ajoutée avec un leader mondial de son secteur. Tout a commencé, par la présentation par les équipes ffly4u aux équipes occitanes de Suez, de l’application au touret connecté, de notre technologie « Edge AI Low Power®», permettant de traiter en embarqué (dans notre boitier ffly4u) les données du capteur de mouvements par les processus d’Intelligence Artificielle, soit de Machine Learning et Deep Learning.

La démo a consisté à montrer comment un touret connecté est capable de différencier son roulage sur le sol d’un roulage sur un dévidoir axial. Cette discrimination de phases de vie du touret permet de calculer avec précision la longueur quotidienne de câble déroulé par chaque touret avec un taux de succès proche de 95%. Fin 2020, cette donnée est devenue un « must have » du secteur du câble et de la fibre téléphonique -indicateur de suivi de chantier- imposé aujourd’hui dans la plupart des appels d’offres en Europe et Moyen Orient.

 

L’alerte remplissage, un indicateur clé de suivi de l’activité

Les équipes Suez furent alors convaincues de la pertinence de notre technologie pour créer de nouvelles données spécifiques aux métiers, allant au-delà de la géolocalisation des objets. Pour digitaliser leur métier, ils conclurent que leur donnée centrale et différenciante était l’alerte de remplissage des bennes. Pour ce faire, il était nécessaire d’identifier le nombre de « packmatages », consistant à compresser, par un rouleau au bout d’un bras articulé, le contenu de la benne. La technologie embarquée « Edge AI Low Power® » prend toute sa place dans ce cas d’usage, puisque c’est grâce à elle que chaque benne identifie, par la reconnaissance de la signature vibratoire du bras sur la benne, le passage du bras compresseur.

 

Réduction de 5% des émissions de gaz à effet de serre (GES)

Après un test de validation de l’ensemble du service, intégrant la localisation sur quai, hors quai, les alertes chargements / déchargements, vidages et autre présence sur sites industriels, a été conçu 2 types de tableaux de bords, l’un quotidien, l’autre hebdomadaire. Le déploiement sur 13 sites et plus de 200 bennes a été ensuite mis en œuvre très vite dès la fin 2020, pour un enjeu d’au moins 5% de réduction de GES.

C’est un excellent exemple de la valeur créée par un leader d’un secteur assez traditionnel au travers de technologies liées à la production de data à forte valeur ajoutée. Chaque secteur industriel est concerné ou le sera dans un futur proche : nous avons déjà digitalisé le domaine du câble/ fibre, du recyclage de déchets, et des supports de manutention dans le domaine aérien.

 

De nouvelles données-métier pour un ROI rapide

Chaque secteur industriel sera revisité au travers de la production de données, pour un double enjeu : un nouveau pan de performance industrielle par réduction de coûts, et surtout par la monétisation de données-métier porteuse de valeur pour vos propres clients, créant ainsi une nouvelle source de revenus à votre profit.

Croyez-moi, votre métier est déjà concerné…que vous soyez tendance lièvre à la royale ou cuisine moléculaire, votre métier va changer de façon durable et vertueuse au travers de la valorisation de la data-métier. C’est une certitude !

Rappelez-vous de l’histoire de Suez -ffly4u. La vôtre est en route !