Categories: FAANG

La neutralité carbone est un problème d’intégration de données: la décarbonation grâce aux données

(An English-language version of this post can be read here.)

Atteindre la neutralité carbone en 2050 suppose de sortir totalement des ressources fossiles et donc de transformer radicalement l’économie et les comportements. Décarboner l’industrie représente un axe prioritaire pour atteindre les objectifs climatiques de la France. En effet 18 % des émissions de gaz à effet de serre sont issus des activités industrielles manufacturières. Dans le contexte de « France Relance », le Gouvernement a prévu 1,2 milliard d’euros pour « améliorer l’efficacité énergétique, faire évoluer les procédés de fabrication, notamment par le biais de l’électrification, et décarboner la production de chaleur. »

En 2020, tous les secteurs de la société ont fixé ou renforcé leur objectif de neutralité carbone. Les gouvernements de nombreux pays ont comme la France alloué des budgets importants pour soutenir une relance verte au service d’une transition juste, garantissant l’équité sociale de la transition vers une économie neutre sur le plan climatique dans les régions et secteur à forte intensité de charbon et de carbone. Les chaînes d’approvisionnement de nombreux industriels ont également planifié une réduction drastique de l’usage de matières non renouvelables dans leurs processus de production. Les entreprises de services financiers n’échappent pas à cette lame de fond et alignent désormais leurs portefeuilles sur des pratiques d’investissement durables.

Si les objectifs long terme de neutralité carbone sont indispensables et louables, ils doivent s’appuyer sur des trajectoires de décarbonation crédibles.

En 2021, le défi consiste plus que jamais à aligner les objectifs long terme aux actions quotidiennes. La décarbonation nécessite des changements radicaux. L’intégration et la valorisation des données opérationnelles permets enfin aux acteurs de la neutralité carbone d’appuyer leurs décisions sur une compréhension fine et précise. Une étape indispensable pour conduire des changements qui, à leur tour, feront de la neutralité carbone une réalité.

Dans cet article, nous aborderons l’insuffisance ontologique de certaines approches courantes de décarbonisation pour évoquer les concepts permettant de faire face aux défis que posent la transition écologique. Si vous êtes intéressé par le déploiement de Palantir Foundry pour soutenir vos efforts “net zéro”, contactez-nous.

Les calculateurs d’empreinte carbone sont aveugles aux détails

Les étapes classiques mobilisées pour définir des objectifs de neutralité carbone sont les suivantes :

  • estimer les émissions globales de l’organisation,
  • déterminer les objectifs de réduction globale,
  • décliner à partir de ces objectifs, des sous-objectifs annuels pour chaque groupe d’activités.

Or pour estimer les émissions, de nombreuses organisations utilisent un acteur tiers mobilisant des calculateurs d’empreinte carbone. La logique de ces calculateurs d’impact est simple et implacable : multiplier une quantité d’activité par le coefficient carbone de cette activité. Ainsi, si les employés d’une entreprise parcourent collectivement 500 000 kilomètres au cours de l’année et que le coefficient de carbone pour le transport aérien est de 150 g de CO2/passager/km, les émissions totales sont alors de 75 000 kg de CO2. Un acteur industriel, pourrait également, multiplier les coefficients de carbone par les quantités mobilisées pour chacune de ses activités qu’elles soient liées à l’approvisionnement, à la production, ou à la distribution et aux ventes. Il suffirait d’additionner les totaux pour estimer les émissions globales de l’organisation.

Mais comment modéliser avec précision et performance, des objectifs de neutralité carbone sur plusieurs décennies, à partir de l’approximation des calculateurs d’empreinte carbone ? Délicat en effet, car tant leurs logiques d’agrégats, que leurs estimations imparfaites, rendent impossible l’identification et le pilotage des processus sources d’émission. Le résultat n’est, in fine, qu’un enregistrement incomplet d’une l’empreinte climatique, agrégat monolithique impossible à ventiler pour alimenter une analyse fine et fidèle.

L’élaboration d’une trajectoire de neutralité carbone détaillée et précise ne peut donc pas s’appuyer sur les chiffres d’émissions agrégés des calculateurs d’empreinte carbone. Pour atteindre la neutralité carbone, les entreprises et administrations doivent pouvoir suivre leurs émissions de manière granulaire, les exposer aux opérateurs et enfin les relier à prises de décisions concrètes.

Une gestionnaire d’expédition maritime doit, par exemple, créer un itinéraire moins polluant pour un client désireux de réduire son empreinte carbone. Si elle s’appuie sur les données d’un calculateur de neutralité carbone, cette gestionnaire n’a aucun moyen de savoir comment ses décisions affectent les émissions des itinéraires sous son contrôle. Elle doit alors établir des hypothèses à partir d’informations hétérogènes et disparates, telles que la vitesse, le coût et l’utilisation du navire. Cette agrégation complexe rend difficile le développement d’analyses robustes et signifie qu’elle risque de ne pas identifier les optimisations potentielles.

Palantir permet aux gestionnaires d’expédition maritime de visualiser les métriques de carbone des itinéraires de navigation. Toutes les données sont théoriques.

La rémunération des dirigeants représente un autre exemple d’application : plusieurs organisations ont annoncé qu’elles lieraient désormais les marqueurs de performance, tels que la marge et la croissance, à des indicateurs de durabilité tels que les émissions de carbone, pour définir désormais les primes. Il s’agit d’un levier puissant pour inciter à l’exemplarité. Mais contrairement aux mesures financières, la plupart des chefs d’entreprises ont peu de moyen d’appréhender et d’évaluer les émissions sous leur contrôle. En l’absence de structure de comptabilité et de rapport détaillé, il est impossible pour eux d’identifier les sources d’émissions importantes et d’identifier les axes d’amélioration potentiels.

La neutralité carbone est un problème d’intégration de données

Palantir a permis, depuis sa création, aux organisations de pouvoir développer rapidement des trajectoires pragmatiques au service de transformations ambitieuses. Notre approche des objectifs de neutralité carbone intègre bien évidemment nos nombreux retours d’expérience :

  • les métriques agrégées de haut niveau ne permettent pas aux décideurs de prendre des décisions précises et nuancées,
  • les données statiques et agrégées annuellement ne permettent pas de comprendre les opérations complexes,
  • les données techniques, qu’il s’agisse des émissions de carbone ou des niveaux de stock d’EPI dans les hôpitaux (Équipement de Protection Individuelle), sont difficiles à collecter et à gérer,
  • la transformation nécessite d’apporter aux décideurs des informations distinctes mais pertinentes issues de secteurs d’activité trop souvent cloisonnés (par exemple, les déplacements des employés et la consommation en carburant d’un compresseur sont des processus totalement distincts, mais leur agrégation est pertinente pour atteindre la neutralité carbone).

Pour appliquer ces observations à des trajectoires de décarbonation, toute activité consommant un matériau ou un carburant non renouvelable doit être suivie et tracée, idéalement au niveau d’une seule action, d’un processus unique ou d’un identifiant matériel. Les calculs carbones peuvent ainsi être exécutés au juste niveau de granularité, créant un actif riche en données au service d’un large éventail d’actions. Cet actif de données carbone permet aux décideurs de contextualiser, au jour le jour, leurs actions. Établir des mesures carbones sur les coûts des matériaux devient possible. Envisager des plans alternatifs de construction d’infrastructure devient une réalité. Cartographier ses données au service de modélisation prospectives s’impose pour décider.

Transformer les promesses en trajectoire

Nos clients utilisent Palantir Foundry afin d’établir une image opérationnelle carbone unique pour que chaque acteur d’une organisation puisse collaborer sur un objectif de neutralité carbone partagé. Il y a trois éléments clés dans ce processus :

1. L’intégration de données dans une organisation, associer des données open data et issues des politiques climatiques

L’intégration des données permet aux organisations de combiner des sources de données cloisonnées au sein d’une image unifiée et exhaustive permettant d’identifier les coûts et risques associés aux émissions carbone. Les parties prenantes peuvent interagir aisément avec la donnée et interroger précisément l’impact carbone de leurs choix et décisions :

  • « Pour répondre aux indicateurs de performance en matière d’émissions, quels produits intermédiaires puis-je remplacer dans ma chaîne d’approvisionnement, tout en respectant les contraintes de coût, de délai et de performance ?»
  • « Quelle classe d’actifs au sein de mes portefeuilles présente le risque climatique le plus prégnant ?».

L’enrichissement des informations propriétaires avec des données ouvertes associées à des modélisation climatiques systémique, augmentent considérablement les capacités de prise de décision des organisations. Un industriel peut ainsi intégrer la base de données des politiques publique de taxation carbone, propre à tels pays, ou telles régions afin d’orienter en fonction de sa localisation les plans de gestion des émissions spécifiques de tel ou tel site industriel. Un fournisseur de services logistiques peut, pour sa part, intégrer une modélisation carbone lui permettant de traduire des mesures de transport à grande échelle, en chiffres d’émissions en temps réel.

2. Les capacités de modélisation au service de la simulation de différents scénarios carbone

Les modélisations numériques sont des images hypothétiques au service d’analyse prospective. Relier plusieurs modèles permet d’associer les enjeux de rentabilité aux décisions de décarbonation et d’agréger au sein d’une même plateforme :

  • des interrogations très opérationnelles et tactiques court terme, telles que «Quelle route de navigation maximise les profits et minimise les émissions ?»
  • à des questionnements stratégiques long terme tels que «Dans quels actifs investir pour atteindre les objectifs de CO2 à long terme ?»

Dans la durée, les capacités de gestion des modèles de Foundry permettent aux utilisateurs d’analyser et de capitaliser sur les décisions passées pour orienter les décisions à venir.

3. La flexibilité au service de l’évaluation dynamique de l’impact des décisions

La science du climat, les politiques publiques et la technologie de décarbonation évoluent rapidement et de façon asynchrone. La grande flexibilité de Foundry est au service de modélisation et d’analyse réactive, permettant dès lors aux organisations les plus complexes, d’évaluer rapidement l’impact de toutes évolutions (légales, réglementaires, techniques,…) et d’actualiser en permanence leurs postures.

Pour atteindre des objectifs long terme de neutralité carbone, les organisations doivent lier leur stratégie à leur conduite opérationnelle et quotidienne, en maximisant l’intégration de données, en valorisant la logique granulaire du carbone et multipliant les modélisations systémiques de scénarios probables. Les métriques carbone ne prennent leur pleine valeur que lorsqu’elles se connectent aux données opérationnelles au sein d’une organisation tout en étant liées à des actions concrètes et individuelles. Ces mesures terrains incarnent l’éléments constitutifs dont les décideurs ont besoin pour développer des trajectoires de décarbonation adaptées à la réalité opérationnelle de leur organisation.

Si vous êtes intéressé par l’utilisation de Palantir Foundry pour accélérer la transition de votre organisation vers la decarbonation contactez-nous pour en savoir plus.

Auteurs

Chris Seewald, Nicolas Daveau, et Ula Rustamova, Responsables des activités de decarbonation, Palantir


La neutralité carbone est un problème d’intégration de données: la décarbonation grâce aux données was originally published in Palantir Blog on Medium, where people are continuing the conversation by highlighting and responding to this story.

AI Generated Robotic Content

Recent Posts

10 Podcasts That Every Machine Learning Enthusiast Should Subscribe To

Podcasts are a fun and easy way to learn about machine learning.

2 hours ago

o1’s Thoughts on LNMs and LMMs

TL;DR We asked o1 to share its thoughts on our recent LNM/LMM post. https://www.artificial-intelligence.show/the-ai-podcast/o1s-thoughts-on-lnms-and-lmms What…

2 hours ago

Leading Federal IT Innovation

Palantir and Grafana Labs’ Strategic PartnershipIntroductionIn today’s rapidly evolving technological landscape, government agencies face the…

2 hours ago

How Amazon trains sequential ensemble models at scale with Amazon SageMaker Pipelines

Amazon SageMaker Pipelines includes features that allow you to streamline and automate machine learning (ML)…

2 hours ago

Orchestrating GPU-based distributed training workloads on AI Hypercomputer

When it comes to AI, large language models (LLMs) and machine learning (ML) are taking…

2 hours ago

Cohere’s smallest, fastest R-series model excels at RAG, reasoning in 23 languages

Cohere's Command R7B uses RAG, features a context length of 128K, supports 23 languages and…

3 hours ago