Quiz sur l'IA dans l'énergie

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Pourquoi évaluer un modèle énergétique en cas de pannes et de conditions météorologiques extrêmes ?
   • Des conditions rares peuvent affecter la sécurité et l’utilité des prédictions ou des actions.
   • Ils apparaissent toujours de la même manière dans les données d'entraînement
   • Les cas extrêmes ne sont pas pertinents pour l’exploitation du réseau
   • Un modèle ne peut utiliser que des moyennes historiques
2. Un contrôleur de stockage réduit le coût simulé mais viole une exigence de réserve. Quel est le problème ?
   • La simulation prouve que le contrôleur est sûr
   • L’objectif d’optimisation est passé à côté d’une vraie contrainte opérationnelle
   • Les réserves obligatoires s'appliquent uniquement aux prévisions
   • Un coût inférieur signifie toujours de meilleures performances du réseau
3. Quelle décision opérationnelle nécessite un horizon différent de celui des prévisions journalières ?
   • Un inventaire annuel du matériel
   • Une recherche de documents statique
   • Équilibrage en temps réel
   • Un examen unique de la carte modèle
4. Comment rendre compte de l’effet énergétique de l’IA ?
   • Ne comptez que les économies d'énergie
   • Supposons que la diffusion du modèle ne consomme aucune énergie
   • Comparez différentes périodes sans les préciser
   • Mesurez la consommation d'électricité du calcul et les économies en aval à une limite définie
5. Que doit faire un opérateur lorsqu’une prévision est incertaine ou en dehors des conditions formées ?
   • Utiliser la procédure d'escalade ou d'exploitation définie plutôt que de traiter la prévision comme certaine
   • Suivez-le car l'optimisation est automatique
   • Désactivez toutes les règles de sécurité
   • Supposons que l'entrée soit typique
6. Pourquoi versionner les données météorologiques et les politiques opérationnelles avec le modèle ?
   • Ils améliorent automatiquement la précision numérique
   • Ils affectent les entrées et le comportement décisionnel et aident à reconstruire un résultat opérationnel
   • Ils remplacent la surveillance
   • Ils n'ont aucune influence après la formation
7. Un modèle de demande fonctionne bien en moyenne, mais ne parvient pas à détecter un scénario de panne rare. Que cache la moyenne ?
   • Une réduction garantie de la consommation électrique
   • Que le modèle n'a pas de dérive d'entrée
   • Une condition de défaillance importante à basse fréquence
   • La limite opérationnelle n’a pas d’importance
8. Quelle comparaison peut étayer l’affirmation selon laquelle une optimisation de l’IA permet d’économiser de l’énergie ?
   • Comparez le temps de formation du modèle avec une facture de services publics
   • Signaler uniquement le meilleur jour
   • Utiliser une simulation sans émettre d'hypothèses
   • Mesurer les effets de calcul et d'exploitation sur la même limite et la même période