Énergéticien : 50 000 capteurs, détection temps réel, 2,4 M€ économisés.

8 heures de retard pour detecter une anomalie sur un reseau electrique, c'est huit heures pendant lesquelles vous payez l'energie qui fuit.

Le contexte

Energeticien francais, 4 800 collaborateurs, hub Paris. Reseau de distribution moyen tension instrumentes par 50 000 capteurs (consommation, tension, harmoniques, temperature transformateurs). Pipeline data en batch nocturne sur Hadoop, detection anomalies par regles statiques.

Le probleme

• Detection anomalies avec 8h de retard moyen (batch H+24)
• 30% des incidents detectes apres impact client
• Pertes reseau non identifiees estimees a 3,8 M EUR/an
• Regles statiques generant 70% de faux positifs
• Bande passante limitee sur certaines passerelles industrielles (4G, parfois 2G)

L'approche

Pipeline edge ML : modeles compacts ONNX deployes sur les passerelles industrielles pour inference locale en moins de 5 secondes. Fallback cloud uniquement pour les cas ambigus. Detection de drift en continu et retraining automatique mensuel.

L'architecture

• Modeles isolation forest + autoencoder quantises ONNX (8 Mo)
• Inference sur Edge TPU embarque dans les passerelles
• Streaming Kafka vers Flink pour aggregations regionales
• MLflow pour versioning modeles, retraining auto si drift > seuil
• Fallback cloud (5% du trafic) pour cas ambigus, decision sous 800 ms

La stack

• ONNX Runtime, modeles quantizes INT8
• Coral Edge TPU sur passerelles industrielles
• Apache Kafka 3.7, Flink 1.18 pour streaming
• MLflow pour ML lifecycle, Evidently AI pour drift detection
• Pipeline retraining hebdomadaire sur AWS SageMaker

Les resultats

1. Detection anomalies : 8h vers moins de 5 secondes
2. Incidents non detectes : -70%
3. Faux positifs : 70% vers 11%
4. Economie pertes reseau : 2,4 M EUR/an validee a 12 mois
5. Bande passante consommee : -82% (inference locale)

Ce qu'on a appris

Le drift detection est aussi critique que l'inference : sans lui, le modele se degrade silencieusement. La quantization INT8 perd 1,8 point de precision, acceptable ici mais a valider cas par cas. Erreur : on a voulu deployer sur les 50 000 capteurs en six mois, on a du etaler sur 10. A refaire : pilote sur 500 capteurs pendant 8 semaines avant tout rollout, c'est ce qui a sauve le projet.