Nous travaillons dans le contexte du projet de recherche DUF 4.0 avec l’un des principaux ESN européens et une start-up lyonnaise qui développe un concept de ferme urbaine verticalisée. Il s’agit de produire des végétaux de grande qualité dans un environnement totalement contrôlé. Nous voulons mobiliser et augmenter les compétences en science de données de l’équipe DM2L pour exploiter les données produites au cours du fonctionnement d’une ferme. Nous devons innover dans les domaines de l’optimisation des recettes (séquence des opérations à réaliser pour assurer la production d’un végétal donné), de la maintenance prédictive des installations et plus généralement celui de la supervision intelligente de tels processus.
Notre engagement est d’assurer la production d’un logiciel PoC (« Proof of Concept ») qui devra démontrer l’impact de nouvelles méthodes de « data mining » et de « machine learning » dans l’amélioration de l’état de l’art sur le pilotage de telles installations. Une ferme (et elles devraient être nombreuses à terme) va produire d’immenses quantités de données (mesures sur la composition de l’air, sur l’éclairage, sur l’énergie consommée, sur la nourriture des plantes et leurs croissance, etc) et nous allons valoriser ces flots de données pour concevoir de nouveaux services. Plus précisément, nous voulons étudier des possibilités de science des données pour la découverte d'anomalies à partir du croisement de données issues des différents sous-systèmes comme celui de la gestion du climat artificiel ou celui de la nourriture des plantes. L’une de nos principales directions de travail va concerner la découverte de sous-groupes dans des données étiquetées de type « séries temporelles » afin d'améliorer l'efficience des fermes urbaines (maitrise des dépenses énergétiques, amélioration du rendement végétal, baisse des couts de fonctionnement avec une attention particulière portée aux opérations de maintenance des installations).