Où doit s'arrêter l'autorité d'un modèle d'IA dans la planification du réseau électrique

Une étude de raccordement commence par une demande d'ajout d'un projet à un réseau électrique. Un modèle d'IA peut aider à interpréter cette demande. Je souhaite que son autorité dépende de la question à laquelle il peut réellement répondre. Examiner une demande et recommander ce qu'il convient d'étudier constituent des responsabilités distinctes, même lorsqu'une interface unique présente les deux résultats.

Ma position de conception est qu'un modèle de réception devrait pouvoir proposer une interprétation, dont la source puisse être inspectée. Une recommandation relative au réseau devrait conserver le calcul et la règle qui l'ont produite. Cette séparation est essentielle lorsque les deux résultats semblent formulés avec la même assurance mais reposent sur des éléments probants différents. Elle crée également une obligation plus exigeante : si l'interprétation est erronée, le système a besoin d'un parcours visible pour réviser les données d'entrée et réexaminer la recommandation.

Une demande bien formulée peut tout de même nécessiter une étude de renforcement

Notre démonstration GridLens utilise des dossiers de demande synthétiques et un réseau électrique synthétique pour rendre cette distinction inspectable. Prenons l'exemple de Tessera Compute, une demande injectée de 750 MW dotée d'un score de maturité élevé selon les règles de réception configurées dans la démonstration. Ce score décrit la maturité de la demande. Il ne mesure pas la capacité du réseau à intégrer le projet.

Dans le filtrage thermique en courant continu de la démonstration, la charge attribuable la plus défavorable dans le cas de référence atteint 92,3 % de la limite thermique de la ligne concernée. Le cas de référence suppose que les lignes surveillées sont en service. Lorsqu'une ligne surveillée est mise hors service, la charge attribuable la plus défavorable atteint 112,4 %. La recommandation configurée devient alors une étude de renforcement.

Cette différence numérique a une portée pratique au sein de ce modèle : un résultat inférieur à la limite dans le cas de référence ne règle pas le cas d'indisponibilité. Les données probantes désignent la branche 548 à 247 comme la contrainte la plus pénalisante, lors du déclenchement de la ligne 1 à 248. Un planificateur peut ainsi contester la condition de réseau précise qui sous-tend la recommandation, au lieu de débattre du ton d'un résumé.

Il s'agit d'une illustration aux contours délimités. Le filtrage traite les mégawatts demandés comme une injection compensée par le jeu de barres bilan, y compris pour les demandes de soutirage importantes ; il ne s'agit pas d'une étude validée de soutirage physique. Il couvre un ensemble sélectionné d'indisponibilités de lignes de transport non radiales et exclut la faisabilité de la tension alternative et de la puissance réactive, la stabilité transitoire ainsi que l'îlotage. Les surcharges existantes constituent des conditions de référence initiales plutôt que des contraintes imputées au projet. Même un résultat vierge de contrainte constituerait une recommandation d'étude, et non une autorisation de raccordement ou la confirmation que l'ensemble du réseau est sécurisé.

Dans ces limites, l'exemple répond néanmoins à une question de conception utile. La recommandation de renforcement exige un calcul de réseau. Une description plus détaillée de la maîtrise foncière ou de la puissance demandée ne peut pas résoudre la surcharge de la branche. Accorder au modèle de réception le pouvoir de réécrire la recommandation reviendrait à substituer des éléments probants relatifs à une question à ceux nécessaires pour en trancher une autre.

Donner à l'assistance un effet clairement délimité

GridLens maintient l'extraction assistée par modèle à un rôle strictement consultatif. La vidéo du fondateur montre une analyse qui réutilise la réponse enregistrée d'un modèle réel. Elle peut faire ressortir les champs extraits de la demande ainsi que les éléments attestant sa maturité, mais elle ne modifie pas la recommandation de filtrage de la file d'attente ni l'ordre d'étude enregistrés. Le filtrage complet de la file d'attente s'appuie sur une extraction déterministe, des calculs de réseau et des règles configurées ; il ne demande pas à un modèle linguistique de rendre le verdict de planification.

Je privilégie cette frontière parce qu'un examinateur peut discerner ce que l'assistance a modifié. Lorsqu'un modèle propose une nouvelle interprétation aux côtés d'un résultat existant, la différence demeure consultable pour vérification. Si cette même action modifiait discrètement une recommandation enregistrée, l'examinateur devrait en outre établir quelles entrées ont changé, si les calculs ont été réitérés et quelle version représente l'ordre d'étude affiché. C'est une affirmation bien plus vaste que ce qu'une simple réponse d'extraction peut soutenir par elle-même.

Il existe au moins deux rôles plausibles pour un modèle dans un flux de travail de planification. Il peut expliciter un résultat déjà établi à l'aide des éléments probants conservés, ou bien proposer des entrées pour un nouveau calcul. Les deux approches peuvent être utiles. Le second rôle exige un processus de révision plus rigoureux, car une modification des entrées peut altérer le résultat en aval. Un point d'interconnexion modifié, par exemple, n'est pas simplement une phrase mieux formulée dans le résumé d'une demande ; il transforme l'endroit où la demande est représentée au sein du modèle de réseau.

Pour un système plus complet, mon exigence de conception consiste à rendre cette transition explicite. Une proposition de correction doit identifier le passage source, l'ancienne valeur et la nouvelle valeur. Une fois acceptée à l'issue du processus d'examen approprié, elle doit devenir l'entrée d'un calcul distinct, dont le résultat peut être confronté au précédent. Il s'agit là d'une exigence de conception proposée, et non d'une capacité démontrée par l'action consultative de GridLens.

Le prix à payer réside dans un surcroît d'examens et de gestion des versions. Un écrasement automatique est plus simple à présenter et exige moins d'étapes visibles. Mais il dissimule précisément l'information nécessaire pour déterminer si la nouvelle recommandation mérite qu'on s'y fie. J'accepte ce travail supplémentaire dès lors que la correction modifie la question physique étudiée.

Une réponse déterministe peut être précisément fausse

Maintenir le modèle en dehors du verdict n'est pas suffisant en soi. Un calcul déterministe peut opérer de manière tout à fait cohérente sur une entrée erronée. La bonne réponse face à cette difficulté consiste à inspecter l'entrée, plutôt qu'à considérer le déterminisme comme une preuve d'exactitude.

Supposons, par hypothèse, qu'une demande mentionne de manière ambiguë deux points de raccordement possibles. Un résumé pourrait en retenir un et paraître convaincant. Réexécuter le filtrage thermique de manière répétée à ce point retenu ne permettrait pas de savoir ce que le demandeur entendait faire. Cette ambiguïté nécessite une clarification avant que l'un ou l'autre calcul ne puisse répondre à la question visée. Dans GridLens, un point d'interconnexion non résolu ou un niveau de confiance d'extraction inférieur au seuil configuré de 0,60 oriente la demande vers un examen humain. Il s'agit d'une voie d'acheminement pour des éléments probants non résolus, et non d'une décision d'ingénierie finalisée.

La même séparation s'applique à la maturité du dossier. Le score de maturité de la démonstration est une heuristique dérivée des éléments probants de la demande. Un score élevé ne peut annuler une contrainte thermique, et un score faible n'établit pas une irrégularité. Je souhaite que la recommandation explicite la nature de l'incertitude qui subsiste. Des pièces justificatives manquantes dans une demande appellent une étape ultérieure différente de celle requise par une surcharge identifiée lors d'un déclenchement précis.

C'est pourquoi je refuse qu'un indice de confiance unique porte l'intégralité de la décision. Cela contraindrait les examinateurs à déduire si une valeur faible traduit une extraction incertaine, une préparation commerciale incomplète ou une situation de réseau contraignante. Maintenir ces questions séparées permet à l'examinateur de rechercher les éléments probants susceptibles de modifier véritablement le résultat.

Juger la recommandation à l'aune de son parcours de révision

Le guide explicatif de GridLens montre le flux de travail enregistré et ses éléments probants. Le critère de conception plus large consiste à se demander ce qui devrait changer pour qu'une recommandation soit modifiée : un champ de demande corrigé, une hypothèse de réseau différente ou une politique d'étude distincte. Chacun de ces éléments relève d'une source différente et justifie un motif d'examen particulier.

Voici la démonstration commentée par le fondateur de cette frontière dans GridLens.

J'évalue un flux de travail de planification assisté par l'IA selon sa capacité à rendre ces dépendances visibles. La réponse utile d'un modèle peut attirer l'attention sur un fait manquant ou proposer une correction. Accorder sa confiance à la recommandation de planification exige une traçabilité des entrées, du calcul et de la règle qui la soutiennent. Le système gagne en autorité lorsqu'un examinateur peut remonter la trace d'un désaccord jusqu'aux éléments probants qui permettraient de le résoudre.