Raphaël

CHERRIER

Founder and CEO

QUCIT

Mathématiques et prédictif au service de villes

durables et intelligentes

 

retour au sommaire

Qu’est-ce qui vous a poussé à créer Qucit ?

 

J’ai souhaité créer Qucit pour deux raisons principales : d’une part, la volonté de mathématiser le monde et de comprendre les principes fondamentaux qui régissent l’univers ; d’autre part la protection de l’environnement et notamment l’envie de participer à la création de villes plus durables, plus écologiques avec moins de gaspillage des ressources naturelles.

Qucit est l’intersection de ces deux aspirations et correspond à une volonté d’avoir un impact sur la société, ce que la Recherche Fondamentale ne permet pas forcément en termes de moyens d’action. Au sein de Qucit, je pense réellement avoir la possibilité d’agir, de continuer à faire de la recherche poussée tout en ayant un impact direct sur la société.

 

On dispose aujourd’hui d’un volume de données qui nous permet d’étudier avec précision l’environnement extérieur. La ville est entièrement numérisée et les quantités de datas produites dans les villes vont continuer à doubler tous les 2 ans, suivant la Loi de Moore. Au fur et à mesure, nous allons obtenir une vision bien plus détaillée de la ville qui pourra être soumise à l’analyse mathématique prédictive. En parallèle, nous avons une vision bien plus précise de ce que font les êtres humains équipés d’un téléphone portable qui capte leurs déplacements ou leurs modes de transport.

 

 

Comment avez-vous constitué votre équipe ? Avez-vous des difficultés à recruter ?

 

Notre équipe est essentiellement scientifique et technique, nous avons mené beaucoup de projets de R&D ces deux dernières années, cela se reflète naturellement au niveau des talents recrutés. Au sein de Qucit nous sommes : 3 docteurs en maths, informatique et physique théorique, des Ingénieurs de Centrale Paris, de l’ENSEIRB... qui constituent un pôle de 4 Data Scientists, un développeur front end, application mobile et Dashboard, une graphiste, un CTO qui s’occupe également de l’infrastructure Cloud et un directeur commercial. Nous sommes assez stricts au niveau de nos recrutements et nos exigences ne font qu’augmenter. Au niveau commercial, notre objectif est de gagner de l’argent tout en rendant les villes plus durables et plus agréables : il s’agit d’un véritable challenge notamment en termes de business model. Au niveau intellectuel et technique, travailler sur les sujets liés à la ville intelligente s’avère très satisfaisant. Ainsi d’excellents profils nous ont rejoints car ils sont convaincus que cela a du sens.

 

 

Quelle est votre approche et vision du Big Data ?

 

Tout d’abord, le Big Data est pour nous un outil. Je préfère d’ailleurs parler de Smart Data pour ce que nous faisons. Google ou Facebook font face à de véritables problématiques de Big Data dans la mesure où aucun outil existant ne répond à leurs problématiques de gestion des données de leurs utilisateurs et d’indexation de l’ensemble de l’information disponible. Au sein de Qucit, nous apprenons à utiliser parfaitement les meilleurs outils et logiciels open source existants, par exemple Tensor Flow que Google a récemment mis en open source. Notre cœur de métier est de créer des modèles de Machine Learning et une infrastructure logicielle adaptée pour répondre aux problématiques des villes.

Nous développons la capacité à traiter toutes les données de la ville, afin de produire un modèle numérique de la ville. Nos algorithmes sont capables de traiter tous types de données en entrée et de prédire tout type de quantité en sortie. Nos algorithmes utilisent par exemple les données Météo, de circulation, d’occupation

des stations de Vélib, des données Open Street Map, et toutes celles que l’on peut trouver en Open Data, que ce soit la position des bancs et des arbres ou des données produites par des devices. Ces données sont toutes intégrées et

traitées automatiquement par nos algorithmes : elles permettent de faire des prédictions telles que le taux de remplissage d’une station de Vélo en libre-service, le temps pour trouver une place de stationnement en voirie, les déplacements en transport en commun et même le confort ou le stress ressenti par les piétons sur la place de la Nation.

 

 

Les modèles prédictifs au service du Tactical Urbanism

 

Nous faisons actuellement des expériences sur la place de la Nation qui consistent à modéliser les sentiments humains. Toutes les données sont identiques en entrée en revanche de l’autre côté de la chaîne, les capteurs sont les êtres humains. Nous mesurons les sentiments afin de déterminer si les individus se sentent stressés, en sécurité, désorientés à tel endroit et à telle heure. Nous allons jusqu’à leur demander s’ils trouvent que leur environnement proche est propre ou beau. Les réponses à ces questions nous permettent de calibrer des modèles d’Intelligence Artificielle qui prédisent et expliquent les facteurs qui font qu’un lieu public va être perçu comme beau par les gens. Sur la place de la Nation, nos modèles nous ont par exemple permis de trouver les endroits qui donnent le meilleur point de vue sur la place et la statue centrale.

Pour étalonner nos modèles, il nous a donc fallu organiser des sondages : des étudiants de l’Ecole d’Ingénieur de la Ville de Paris ont donc interrogé 1300 personnes, pendant 4 jours, sur la place de la Nation, sur la base d’un questionnaire d’une quinzaine de questions. Cela peut paraître beaucoup mais c’est un échantillon très faible pour calibrer un modèle complexe avec autant de variables contextuelles.

 

Le concept derrière cela est physique. En physique, il y a le champ électro magnétique et ce champ est créé par les charges électriques. Un électron va créer un champ électrique et quand il se déplace il créé également un champ magnétique. La physique décrit les lois qui font le lien entre les sources et le champ produit. Chez Qucit, nous avons souhaité appliquer le même concept. On va ainsi avoir un champ de sécurité, un champ de stress et de confort. Nos modèles nous permettent de déterminer quelles sont les sources du confort ou du stress. Concrètement, cela peut venir du fait qu’il y ait à la fois des bancs et des arbres à proximité pour permettre de s’asseoir et de lire. Les sources négatives apparaissent également comme la circulation, la pollution, le bruit. Nous allons ainsi non seulement trouver les sources pertinentes pour prédire l’évolution de chaque champ mais également trouver les lois quantitatives de cette évolution. Ainsi le contexte urbain est pris en compte dans les modèles, mais aussi des sources internes à chaque personne qui sont fonction de l’âge, du genre, de la CSP, du lieu de résidence, etc. Pour exemple, une personne qui habite juste à côté de la place de la Nation va naturellement être moins désorientée que quelqu’un qui habite à l’autre bout de Paris et cela ressort vraiment du modèle. Mais de nombreuses autres sources plus subtiles ressortent également du modèle.

 

Nous mettons notre capacité de modélisation au service du réaménagement de la place, pour faire du Tactical Urbanism. Nous ne voulons plus qu’une place soit construite et que les défauts d’aménagements soient constatés à posteriori, mais rendre possible des modes de fonctionnement itératifs sur le terrain.

 

L’objectif de l’expérimentation sur cette place, est de tester les aménagements avec des barrières provisoires ; de compter, à l’aide de multiples capteurs : les flux piétons, vélos et automobiles ; de vérifier que cela ne crée pas de nouveaux problèmes et de mesurer en parallèle les sentiments des piétons. Compter les piétons sur un trottoir est plutôt aisé. En revanche, identifier si les piétons se baladent ou vont travailler recèle plus de subtilité. Statistiquement, nous allons être capables de trouver des patterns comme par exemple une parcelle de trottoir utilisée par des gens qui commutent ou qui ont une activité de loisir.

 

Pour cette expérimentation, la place de la Nation a été équipée de capteurs, par Cisco notamment, mais également par des startups qui ont fourni les capteurs qui nous permettent de suivre la modification de la dynamique sur la place. Notre application gratuite ‘Confort Paris’ permet également aux parisiens de continuer à participer aux sondages pendant la phase de réaménagement. Nous allons ainsi pouvoir observer l’évolution du ressenti des piétons et autres usagers de la place et déterminer si les réaménagements conduisent à une amélioration.

Les modèles étalonnés sur la place de la Nation sont réplicables. Ils nous permettent par exemple d’établir une carte du confort, du stress également sur la place d’Italie sans refaire de nouveaux sondages, même si une nouvelle campagne de sondage donnerait une meilleure précision. Un point intéressant, par exemple, c’est qu’il y a un supermarché sur la Place d’Italie alors qu’il n’y en a pas Place de la Nation. Mais notre modèle, même s’il ne sait pas qu’il s’agit d’un supermarché, sait prédire à partir du reste des informations contextuelles que cela ne va pas être beau et agréable devant le supermarché.

Sur ce projet nous n’utilisons pas de Deep Learning car notre échantillon de 1300 répondants ne serait pas suffisant pour calibrer un modèle de ce type. Nous utilisons des modèles de Machine Learning standards que nous maîtrisons parfaitement et qui révèlent déjà de nombreuses subtilités. Il pourrait être nécessaire de faire des modèles plus avancés, pour apprendre par exemple au modèle qu’il est en train d’analyser une place, avec des indicateurs tels que les routes qui tournent en rond, les terre-pleins centraux, les arbres et fontaines etc. C’est une des pistes d’amélioration de notre modèle.

 

 

Les APIs au cœur du business model

 

L’application BikePredict est aujourd’hui disponible dans quasiment toutes les villes de France et plus généralement d’Europe qui proposent des vélos en libre-service et nous disposons de datas pour le faire dans plus de 500 villes du Monde. L’intégration du prédictif permet de garantir à l’usager la disponibilité d’un emplacement pour pouvoir garer son Vélib. Par ailleurs, notre API peut servir à un opérateur qui veut offrir des fonctionnalités prédictives à ses usagers. Elle peut également être intégrée dans des calculateurs d’itinérance multi modaux.

 

L’idée est de proposer un trajet multimodal optimisé, par exemple entre La Défense et République. Afin de pouvoir proposer de prendre le RER A jusqu’à Châtelet puis le Vélib’, il faut être sûr que l’utilisateur dispose d’un Vélib’ à Châtelet et d’une place de Vélib’ pour se garer à République. Il est donc impératif de faire du prédictif. Cela permet d’intégrer une expérience utilisateur de qualité lors de l’utilisation d’un vélo en libre-service avec d’autres modes de transport en commun. Notre API est également un outil permettant d’optimiser l’équilibrage des stations par l’exploitant. D’une part, cela permet aux opérateurs d’optimiser la logistique de déplacement des vélibs ; d’autre part les utilisateurs en suivant les recommandations de BikePredict, participent également de manière collaborative à l’effort de rééquilibrage du réseau.

 

L’intérêt des APIs est d’enrichir les applications existantes. Avec des APIs, nos clients ne sont pas obligés de développer une nouvelle application, la brique peut être intégrée à celle existante pour permettre de conserver leur base utilisateur.

 

Pour résumer notre stratégie, nous souhaitons donc résoudre les problèmes du vélo en libre-service, puis celui de la mobilité et enfin participer à rendre les villes plus durables et plus agréables.

Raphaël Cherrier a un parcours scientifique, physique et mathématique. Il a fait Normale Sup et a obtenu une thèse en physique théorique. Il a été Maître de conférences en physique également. Il aborde le monde en essayant de trouver les principes qui régissent la dynamique de la nature. C’est ce qu’il a souhaité faire en créant Qucit : mathématiser la ville pour prédire les comportements humains, la mobilité mais également le ressenti des citoyens par rapport à leur environnement proche. Nous avons souhaité interviewer Raphaël Cherrier pour connaître sa vision de l’impact potentiel de la Data sur la ville intelligente.