Dans le monde de l’analyse des données du bâtiment intelligent, un concept fondamental émerge comme un outil puissant pour quantifier l’incertitude et créer de la valeur à partir des informations diverses provenant de silos distincts. Il s’agit de l’Entropie de Shannon, une notion élaborée par Claude Shannon dans les années 1940, qui ouvre des perspectives passionnantes pour les professionnels des données du bâtiment. Dans cet article, nous plongerons dans les aspects essentiels de l’Entropie de Shannon et explorerons comment elle peut transformer la manière dont nous abordons et exploitions les données dans un environnement de bâtiment intelligent.
L’Entropie de Shannon: Comprendre l’Incertitude et l’Information:
L’Entropie de Shannon offre un moyen de mesurer l’incertitude et le désordre au sein d’un ensemble de données ou d’un système. Elle se manifeste comme une mesure de la quantité d’information contenue dans ces données. Cette notion est exprimée en unités de bits (ou de nats, selon le logarithme utilisé) et repose sur les probabilités associées aux événements dans un système donné. En d’autres termes, si vous traitez un ensemble d’événements possibles, l’Entropie de Shannon évalue la quantité moyenne d’informations nécessaires pour représenter chacun de ces événements.
Calcul et Formule : Mathématiquement, pour une variable aléatoire discrète X avec un ensemble d’événements {x1, x2, …, xn} et les probabilités correspondantes {p(x1), p(x2), …, p(xn)}, l’Entropie de Shannon H(X) est calculée selon la formule suivante :
H(X) = – Σ [p(xi) * log2(p(xi))]
où Σ représente la somme sur tous les événements possibles xi.
L’idée clé est que plus la probabilité d’un événement est élevée, moins il apporte d’information, car il est prévisible. Par conséquent, l’entropie est plus élevée lorsque les probabilités sont équilibrées et les événements sont plus imprévisibles, ce qui signifie qu’il y a plus d’incertitude dans le système. Or dans le cas du bâtiment intelligent, si l’on considère les informations venant de silos différents (MCR, GMAO, applications utilisateurs…), elles sont justement pas ou peu corrélées et l’entropie de Shannon s’applique parfaitement et nous permettra de créer de la valeur grâce au BOS, comme nous le verrons dans les prochains articles.
Application au Bâtiment Intelligent : Dans un environnement de bâtiment intelligent, où les données proviennent de divers silos tels que la gestion technique, la GMAO, les applications utilisateur, la gestion du parking, etc., l’Entropie de Shannon trouve une pertinence particulière. En effet, dans un tel scénario, les données provenant de ces silos sont souvent peu corrélées, ce qui signifie qu’elles présentent une forte imprévisibilité. L’Entropie de Shannon peut être un outil précieux pour mesurer cette imprévisibilité et créer de la valeur à partir du Building Operating System (BOS).
En résumé, l’entropie de Shannon est une mesure de l’incertitude ou de la quantité d’information contenue dans un ensemble de données, en fonction de leurs probabilités. Plus l’entropie est élevée, plus le système est imprévisible et contient d’informations. Cette notion est largement utilisée dans divers domaines, notamment la compression de données, la cryptographie et la transmission de signaux, pour comprendre comment l’information est stockée, transmise et traitée. Le BOS global permet son utilisation pour créer de la valeur à partir des silos d’informations BIM, OT et IT.
Création de Valeur dans un Bâtiment Intelligent:
Comme nous le verrons dans les articles suivants, l’utilisation stratégique de l’Entropie de Shannon dans une base de données consolidée peut apporter une multitude d’avantages :
- Optimisation de l’efficacité énergétique : En identifiant des anomalies ou des comportements inattendus dans les données de consommation énergétique, l’Entropie de Shannon peut contribuer à des économies d’énergie significatives.
- Amélioration de l’expérience des occupants : En comprenant mieux les comportements des occupants grâce à l’entropie des données, les services du bâtiment peuvent être personnalisés pour un confort optimal.
- Sécurité améliorée : L’entropie des données de sécurité peut aider à détecter des comportements suspects, renforçant la sécurité globale du bâtiment.
- Gestion proactive des espaces : En analysant l’entropie des données d’utilisation de l’espace, les espaces peuvent être mieux optimisés pour une utilisation plus efficace.
Conclusion:
L’Entropie de Shannon, un pilier de la théorie de l’information, trouve une nouvelle vie dans le domaine du bâtiment intelligent. En exploitant son potentiel pour mesurer l’incertitude et créer de la valeur à partir de données diverses et non corrélées, les professionnels des données du bâtiment peuvent transformer la manière dont les bâtiments sont exploités et optimisés. Dans les prochains articles, nous explorerons en détail comment le Building Operating System (BOS) permet l’exploitation de l’Entropie de Shannon pour créer des solutions innovantes et durables. A bientôt pour en savoir plus sur cette révolution des données du bâtiment intelligent.
