Smart-city, data, apprentissage : le deep learning
Pour réussir une transition numérique durable, les villes et collectivités doivent se pencher vers le deep learning, qui fonctionne avec l’intelligence artificielle et la collecte de données.
Pour s’engager dans une transformation durable, les villes de demain doivent être des villes apprenantes, grâce à l’intelligence artificielle (IA). Des villes qui innovent et essayent de mieux utiliser les nouvelles technologies pour améliorer le quotidien de leurs citadins.
Les data, la collecte des informations numériques, se trouve au cœur de cet apprentissage numérique, ou deep learning. Souvent sous-exploitées, parfois mal interprétées, leur utilisation reste un défi pour les municipalités et les collectivités, alors que le numérique joue un rôle central dans l’espace urbain.
Dans une tribune, Benoît Gufflet, co-auteur du rapport Learning Cities, parle « d’une phase d’apprentissage profond : celui d’une Deep Learning City », pour atteindre concrètement le statut de smart-city. Le concept même de smart city a parfois poussé les villes à investir dans des technologies sans impact tangible sur la gestion urbaine ou la qualité de vie des citadins.
Or, « être une ville intelligente, ce n’est pas de développer des applications à la volée, mais bien de penser durablement son évolution, au service du citoyen, et d’actionner cette évolution grâce à la technologie et à l’analyse des données », explique l’expert.
Derrière les projets phares qui voient le jour comme la ville Google de Toronto, les Super Trees de Singapour, ou encore le quartier de Kalasatama, à Helsinki, se cache une idée centrale : celle de l’apprentissage des données et des technologies.
Ces projets et, parfois, leurs échecs, montrent que partout, les villes doivent encore tester, tâtonner, avant de réussir à mieux utiliser les technologies. Comme les humains, les intelligences artificielles suivent un apprentissage constant, notamment pour s’adapter à la collecte de données. De la même manière, rendre une ville plus résistante face aux crises, grâce aux données, nécessite un apprentissage profond pour faire émerger le concept d’une ville pilotée par les data et les innovations technologiques.
Les remontées d’information qui en résultent sont destinées à optimiser le fonctionnement des territoires urbains. L’enjeu est de taille car parmi les élus, peu sont experts sur tous les sujets qui tournent autour de la gestion d’une ville dans son ensemble.
Pour identifier la bonne approche vis-à-vis de la collecte de données urbaines, il faut d’abord savoir à quoi elles peuvent servir. La collecte de données à partir de capteurs ne sert qu’un seul objectif : celui d’agréger de l’information pour accompagner la prise de décision, tant pour les élus et les agents publics, que pour les citadins.
Pour les responsables politiques, capter des données est un moyen d’évaluer l’impact de leurs politiques publiques. À Clermont-Ferrand, par exemple, des capteurs ont été placés dans les endroits particulièrement bitumés de la ville pour évaluer les effets de chaleur lors des pics estivaux et déterminer les espaces qui mériteraient le plus d’être végétalisés, pour les rafraîchir.
Un réseau de capteurs peut aussi permettre de connaître l’effet d’une réduction des limitations de vitesses sur les flux de transport, les nuisances sonores et la qualité de l’air. Plus les solutions remontant des données seront interconnectées, plus les pouvoirs publics seront en mesure de prendre des décisions éclairées et rationnelles pour accompagner les citadins dans leur quotidien.
À partir de cette collecte, il existe tout un volet de l’intelligence artificielle (IA) qui donne aux ordinateurs la capacité d’apprendre par eux-mêmes à traduire concrètement ces data. Cet apprentissage automatique fournit par exemple des outils essentiels pour aider les gestionnaires d’immeubles et les décideurs politiques à améliorer l’efficacité énergétique d’un groupe de bâtiments.
La modélisation énergétique des bâtiments, utilisée pour gérer les réseaux de chauffage et de refroidissement, permet d’analyser la performance énergétique de plusieurs constructions sur une échelle allant d’un pâté de maisons à une ville entière. À partir de différentes caractéristiques (usage des bâtiments, dimensions, matériaux, environnement immédiat, etc), l’apprentissage de l’IA peut aider à prédire la consommation d’énergie de toute la zone considérée.
Ces données urbaines et leur traitement par l’IA comportent de nombreux défis, à commencer par celui qui pousse les différents acteurs urbains à collaborer davantage entre eux. Il faut aussi éveiller les consciences des citadins, faciliter le dialogue entre les différents services, ou encore miser sur la créativité pour toujours innover.
Le volume de données récoltées et leur grande hétérogénéité soulèvent aussi plusieurs défis auxquels le deep learning peut répondre grâce à des techniques permettant par exemple de pré-traiter les données pour ne transmettre que ce qui est pertinent, d’améliorer l’extraction des connaissances, ou encore d’affiner les indicateurs et les prédictions.
