Gabriel Kasmi

Approfondissement méthodologiques et industriels des sujets traités durant la thèse.

• Volet 1 - Explicabilité des algorithmes de deep learning Introduction d'une méthode d'explicabilité permettant de décomposer dans l'espace des ondelettes la prédiction d'un modèle pour n'importe quel input. Nous montrons les bénéfices de notre généralisation pour générer des explications pertinentes et soulignons les connexions avec différents champs de la littérature en robustesse et en interprétabilité. Prépublication associée : Kasmi, G., Brunetto, A., Fel, T., Parekh, J. (2024). One Wave to Explain Them All: A Unifying Perspective on Post-hoc Explainability. arXiv preprint arXiv:2410.01482.

• Volet 2 - Cartographie des systèmes PV sur toiture en France Déploiement de DeepPVMapper, introduit durant la thèse, pour cartographier le PV sur toiture en France. Plus d'un demi million d'installations ont été cartographiées. Comparaison et évaluation des données produites avec les données existantes et détermination des débouchés industriels de cette cartographie. Une publication est en cours de préparation sur le sujet. J'encadre également un travail de stage de fin d'études dont l'objectif est d'utiliser les données produites par DeepPVMapper pour identifier les déterminants de l'adoption de panneaux PV sur toiture.

• Volet 3 - Estimation de production PV "diffuse" Intégration des données de DeepPVMapper dans un modèle d'estimation de production PV et comparaison avec la méthode de RTE et des données de production issues de systèmes individuels. Deux publications sont attendues sur ce sujet. Publication associée: Kasmi, G.; Touron, A.; Blanc, P.; Saint-Drenan, Y.- M.; Fortin, M.; Dubus, L. (2024) Remote-Sensing-Based Estimation of Rooftop Photovoltaic Power Production Using Physical Conversion Models and Weather Data Energies 17(17), 4353 Activités connexes:

- Encadrement d'étudiants (projet de statistiques appliquées de l'ENSAE)

Thèse CIFRE intitulée "Améliorer la fiabilité des algorithmes d'apprentissage profond et en vue d'accroitre l'observabilité des installations photovoltaïques en toiture en France" soutenue le 5 avril 2024. Contributions académiques :

- Algorithme de cartographie du parc PV sur toiture français (DeepPVMapper)

- Méthode d'explicabilité permettant d'estimer l'importance des composants structurels d'une image dans la prédiction d'un modèle de classification (WCAM)

- Base de données d'entrainement contenant plus de 50000 images annotées (BDAPPV)

- Package python permettant d'extraction des caractéristique d'une installation PV à partir de son polygone (PyPVRoof) Participations à des colloques et des conférences internationales :

- Tackling Climate Change with Machine Learning workshop (NeurIPS 2023)

- XAI in action: Past, Present and Future applications (NeurIPS 2023)

- 7th International Conference on Energy and Meteorology (ICEM 2023)

- MAchine Learning for Earth ObservatioN (MACLEAN) workshop (ECML/ PKDD 2022)

- MAchine Learning for Earth ObservatioN (MACLEAN) workshop (CAP/RFIAP 2022)

- 4e symposium du MADICS (2022)

- IEA/PVPS Task 16 Experts Meeting (2022)

- SophIA Summit (2021) Peer review :

- Solar RRL, XAI in action workshop (NeurIPS 2023), Tackling Climate Change With Machine Learning (ICLR 2024) Encadrement d'étudiants, vulgarisation :

- Projet d'informatique (1ere année du cycle Ingénieur Civil des Mines de Paris)

- Projet de statistiques appliquées (2ème année du cycle ingénieur de l'ENSAE Paris)

- Participation au MIG Solaire 2023

- Présentation dans le cadre de la Solar Winter School (mars 2023)

- Présentation au "ML4Climate meetup #2" (décembre 2023)

- Présentation au "Pitch your thesis" (février 2024)

Participation à la conception et au développement du modèle multi-agents de simulation des marchés à court terme de l'électricité. Modèle développé dans le cadre du deuxième axe de travail du projet européen Osmose qui vise à préparer le réseau de transport européen aux mutations induites par le développement des énergies renouvelables.