Publicité
Publicité

Contenu connexe

Présentations pour vous(20)

Publicité

Plus de Gehan Kamachi(20)

Dernier(20)

Publicité

Pluralisme des politiques de données urbaines, par Dominique Boullier

  1. Dominique BOULLIER Pluralisme des politiques de données urbaines DHI- EPFL Data cités 2 Mars 2019
  2. Cette présentation est partagée par Dominique Boullier Merci de respecter les conditions de licence indiquées ci- dessous pour l’ensemble des slides de cette présentation http://creativecommons.fr/licences
  3. 1. PLURALISME DES DIMENSIONS DE LA VILLE ET DES SMART CITIES
  4. Politiques des données urbaines Incertitude Certitudes AttachementsDétachement Data city « Google City » Big Traces / Data Corrélations prédictives Smart city « IBM City » (Cisco, ZTE, Bouygues, DS) Modèles Wikicity Collaboratif Crowdsourcing Coopérativisme de plateforme Good old city Capteurs en personnes
  5. Politique des données urbaines: des données et des modèles Incertitude Certitudes AttachementsDétachement Data/Google city Data-to-model Data to city Smart/IBM city Model to data City to data Wikicity Data as model Data as a city Good old city
  6. 2. IBM CITY : LES MODÈLES
  7. City Command Center IBM Dépasser les silos par le « Grand Tout »
  8. Les nouvelles villes nouvelles comme modélisation absolue 8
  9. Une évolution récente Expérimentations plus sectorielles et déléguées Montpellier, Nice (IBM + Veolia)
  10. Model to data: Modèles du monde Les ontologies faciles à critiquer par les sciences sociales L’époque de l’image fixe Dominique BOULLIER Digital Humanities Institute
  11. Data-to-model Modèles d’apprentissage L’apprentissage permet de réviser à partir de tout input L’époque de l’image animée
  12. Toujours plus de capteurs Des modèles toujours plus optimisés mais quel design organisationnel?
  13. Le design organisationnel du traitement des données dans la traffic police anglaise
  14. City to data Un travail de design • 1/ Il existe déjà des bases de données et du reporting dans tous les services: au moins les examiner pour les réutiliser • 2/ Chaque service assemble et traite les données de SON point de vue: tout n’est pas réutilisable (et encore moins en Open Data) et le point de vue du TOUT ne veut souvent rien dire • 3/ La visée, c’est la qualité du service, pas la performance du calcul des données. Générer ensemble design organisationnel / data process… • 4/ Et débattre des finalités: pas seulement la réduction des coûts, la réputation ou la tyrannie du retard 14
  15. 3. GOOGLE CITY : VÉLOCITÉ DES TRACES
  16. Data city (Google city) pour plates-formes en quête de monopoles 16
  17. L’empire de Google maps Data-to-model Approche par les flux de données
  18. Dépasser les silos par les couches 18 Prérequis: un référentiel commun pour les métiers Enjeu des data chez Google maps: la traçabilité des comportements en masse et non les infrastructures (toutes les plates-formes) Passer au SIP: Système d’Information des Publics Les classifications à partir de comportements (agrégés)
  19. L’interopérabilité des traces Gestion de trafic, prédiction de routes • Sources démultipliées: Triangulation, GPS, boucle de détection, vidéo • + Google maps + Android + Waze (dont users reports) • + données historiques • + paramétrage personnel ( + rapide, +/- péages, etc. • + contributions d’une communauté
  20. La boite noire et ses problèmes • Un algo propriétaire • D’où viennent les décisions? – À quel moment se fait le rerouting? Selon quels critères? – Pourquoi par telle ou telle voie, classifiée d’une certaine façon? = conflit avec l’autorité qui gère la circulation ou pas souhaitée: • cas de Lyon pour le Tunnel de Fourvière (conflit avec Google et Tom Tom) – Les détournements et sabotages par les riverains devenant contributeurs 20
  21. Des architectures de service différentes sont possibles Vélos jetables ou vélos partagés ? Gobee.bike
  22. Data to city • 1/ La ville n’est pas le point de vue de départ pour les plates-formes: d’abord, le service et les revenus publicitaires associés sans gestion d’infrastructures • 2/ Les plates-formes barbares: attaques délibérées sur toutes les intermédiations fragiles ou abusives = anticiper sur les maillons faibles • 3/ Le temps de la régulation (Uber, AirBnB, etc.) doit être aussi le temps du partage des données (Open Data dans les deux sens!): les obligations de service public 22
  23. 4. WIKI CITY : L’INTELLIGENCE COLLECTIVE
  24. Statut du public: utilisateurs-consommateurs
  25. Statut du public: lanceur d’alerte permanent FixMyStreet, FixMaVille, Zueri wie neu, Signalez- nous Yverdon-les-Bains, ActivezMontreal, etc. Format Open 311
  26. 26 Statut du public: contributeur à la connaissance
  27. 27 Un ancrage territorial défini par des pratiques
  28. Au-delà du règne des capteurs et des modèles/ systèmes de la démocratie des experts 28
  29. Statut du public: les citoyens débattent ( avec budgets) • Decidim Barcelona, MeuRio, Decide Madrid, • Neighborland, Stadt Nürtringen, Fluicity, • EngagingPlan/ EngagingApps (Urban Interactive Studio)
  30. Data as a city • 1/ Faire ville grâce au format des contributions citoyennes numériques: un urbanisme numérique de la participation • 2/ Ne pas mépriser les contributions de base • 3/ Inventorier les données produites par les citoyens • 4/ Le but n’est pas la donnée mais la dynamique de la participation • 5/ Evaluer la faisabilité y compris du point de vue des relais organisationnels dans la population avec des formats différents ( et dans les services) 30
  31. LA VILLE COMME ORGANISATION MULTIDIMENSIONNELLE
  32. 32 L’âge de la décision (2015-…) avec le Machine Learning
  33. Cette présentation est partagée par Dominique Boullier Merci de respecter les conditions de licence indiquées ci- dessous pour l’ensemble des slides de cette présentation http://creativecommons.fr/licences
Publicité