Dans le domaine de la durabilité des bâtiments, le défi d’utiliser efficacement les données relatives aux bâtiments pour faire des choix écologiques reste une préoccupation pressante. Il ne s’agit pas seulement de recueillir des données complètes sur la consommation d’énergie et d’autres indicateurs environnementaux, mais aussi d’interpréter ces données de manière pertinente. Cette recherche vise à relever ce défi en introduisant une approche innovante basée sur des modèles génératifs profonds. Cette approche utilise les données sur l’eau et l’électricité comme exemple d’ensemble de données que nous pouvons rassembler pour générer des représentations visuelles pilotées par les données. L’objectif premier de cette étude est d’inciter les occupants des bâtiments à adopter des modes de vie durables et des choix respectueux de l’environnement en présentant les données dans un format artistique. Deuxièmement, il s’agit de tirer parti de l’inférence de données pour rassembler des données sur les bâtiments afin de déterminer les schémas d’occupation des bâtiments dans différentes sections. Les premières étapes consistent à collecter des données sur la consommation d’eau et d’électricité, suivies d’un processus méticuleux d’inférence des données pour construire une analyse descriptive qui dévoile les caractéristiques fondamentales de la consommation d’énergie. Parallèlement, un réseau neuronal profond est entraîné pour déduire l’occupation. Le classificateur de durabilité utilise des caractéristiques telles que l’adoption de technologies et l’utilisation de sources d’énergie pour classer les données dans des catégories de durabilité. Par la suite, un modèle de langage étendu pré-entraîné associe des mots-clés spécifiques à chaque catégorie de durabilité. Lors de la transformation finale, la diffusion stable est utilisée pour transformer les données en images visuellement convaincantes.