Fiabilité du diagnostic de performance énergétique : peut mieux faire, encore
Secteur :
Alignement de portefeuille
L’alignement des portefeuilles permet de mesurer la performance climatique d’un portefeuille d’actifs. De nombreuses méthodologies d’alignement ont été développées à la suite des accords de Paris pour répondre à l’objectif de rendre les flux financiers compatibles avec un faible niveau d’émission. A ce jour, les méthodologies existantes ne prennent pas en compte la dimension risque. Par conséquent, un portefeuille peut être aligné sur une trajectoire 2°C, et être exposé de significativement aux risques climatiques.
Apprentissage automatique pour résoudre la mauvaise « qualité » des données
L’utilisation de l’apprentissage automatique (Machine Learning) se heurte à la « Data scarcity », c’est-à-dire à la mauvaise « qualité » de données qui ne sont exploitables que si elles sont « labellisées » au préalable conformément à l’analyse que l’on veut réaliser.
Network Design
Le Network Design détermine la structure d’un réseau d’entreprises et influe sur ses coûts et ses performances. Cela recouvre une série de décisions stratégiques telles que la détermination du nombre, de la taille et de l’emplacement des installations dans le réseau et peut inclure des décisions tactiques (telles que les politiques de distribution, de transport et de gestion des stocks) ainsi que des décisions opérationnelles (telles que la satisfaction de la demande des clients).
Être propre ou contribuer à la transition ? La RSE au défi de la durabilité
En décembre 2019, la Commission Européenne présentait le Pacte Vert pour l’Europe, dont l’objectif est de « transformer l’UE en une société juste et prospère, dotée d’une économie moderne, efficace dans l’utilisation des ressources et compétitive, caractérisée par l’absence d’émission nette de gaz à effet de serre d’ici 2050 et dans laquelle la croissance économique sera dissociée de l’utilisation des ressources ».
Explicabilité des modèles d’I.A.* « Black Box »
Les modèles d’intelligence artificielle sont utilisés dans de nombreux domaines (octrois de crédits, aide à la détection de fraude, etc.) et ils fournissent de très bon résultats. Cependant, ils manquent de transparence et d’explicabilité, ce qui constitue un frein à leur adoption par les équipes métiers et leur management, ainsi qu’à leur utilisation aux yeux des régulateurs.