Les défis de notre hackathon Energ-IACK, au service du bien commun

Le contexte

En cas de pénurie d’électricité, le dispositif OSTRAL (niveau 3) impose aux grands consommateurs de la Confédération de réduire leur consommation de 10, 20 ou 30 %. La Ville de Genève sait calculer ces scénarios sur son parc immobilier ; mais juger leur faisabilité et leur impact sur la population exige l’avis de tous les services concernés. Aucun outil technique n’existe à ce jour pour consolider ces avis, et aider les politiques à prendre la meilleure décision, efficacement et pragmatiquement.

Exemple d’idées

L’équipe qui relève ce défi imaginera un module de consensus. Voici une liste non exhaustive d’idées : recueil d’avis en langage naturel, reclassement dynamique des scénarios de réduction en fonction des impacts estimés sur la population, méthode pour consolider des avis hétérogènes en une décision traçable, chatbot interne à la Ville pour informer les services ainsi que récolter les avis (…)

Le contexte

Pour suivre l’énergie de leur patrimoine, les collectivités dépendent souvent de logiciels propriétaires coûteux. L’IA générative rebat les cartes : un Energy Data Management (EDM) interne, souverain et mutualisable entre communes, devient envisageable — à une fraction du coût habituel.

Exemple d’idées

L’équipe imaginera un EDM idéal pour une commune, par exemple : agrégation des données par bâtiment, par fluide, comparaison à des objectifs et KPI fixés, rapports générés par IA, architecture de données documentée pour la commune, approche souveraine et réplicable pour le secteur public (…)

Le contexte

La donnée énergétique d’un territoire est vivante et imparfaite : compteurs renommés, bâtiments rénovés, trous de mesure, valeurs estimées, données multifluides avec des fréquences de relève parfois saccadées. Toute décision — de crise ou de décarbonation — repose pourtant sur sa qualité.

Exemple d’idées

L’équipe construira un agent de qualité des données : détection des anomalies, qualification (mesuré / estimé / hypothèse) et un score de confiance par série, exploitable par les métiers (…).

Le contexte

Télérelever ne suffit pas : il faut voir ce qui dérive — chaufferie déréglée, fuite d’eau, pompe à chaleur en défaut — sans noyer l’exploitant sous les fausses alertes. Entre le monitoring et l’action, il y a un maillon manquant.

Exemple d’idées

• Un moteur d’alertes : détection multifluide avec priorisation par impact énergétique, financier et carbone.
• Des actions, pas des alarmes : chaque alerte génère une recommandation en langage métier, compréhensible par l’exploitant.
• Un taux de pertinence : minimiser les faux positifs est un critère d’évaluation à part entière.

Le contexte

Pour sortir des énergies fossiles, un territoire doit savoir par où commencer : quels bâtiments suivre de près, lesquels rénover, lesquels décarboner en premier. La réponse se cache dans des données simples et ouvertes — encore faut-il savoir les faire parler.

Exemple d’idées

• Une classification : chaque bâtiment scoré — IDC & IDE (intensité kWh/m²), part fossile, potentiel et urgence de décarbonation.
• Une feuille de route : priorisation coût / impact à l’échelle du territoire ou du portefeuille de la Ville, visualisée et argumentée.
• Une méthode réplicable : applicable à tout parc bâti représentatif d’une collectivité (écoles, musées, bâtiments administratifs…).