Presentation_Data_Drink_Nantes.pdf

Transcript

1. Développer des IA éthiques pour les politiques publiques Expérimentation dans la restauration scolaire pour maîtriser le gaspillage alimentaire Florent Bédécarrats (ex)Responsable du management de la données à Nantes Métropole (En transition vers un poste de chercheur à l’IRD)
2. Expérimenter pour l’intérêt général • Charte métropolitaine de la donnée (2019) : réguler, mais aussi innover • Plusieurs cas d’usage travaillés : • Reconnaissance et extraction de texte à partir d’image : moteur de recherche dans le contenu des délibérations (conseils métropolitains, municipaux, CCAS...) • Détection d’anomalies : fiabilisation des données de comptage transports • Classification des formes sur des images aériennes : Patrimoine arboré • Prévision d’événements réguliers (ex. fréquentation) ou rares (maintenance prédictive) • Cas d’usage sur la réduction du gaspillage alimentaire • 16 000 repas/jour • politique de “Table ouverte” • Excédent de production qui augmente (5% → 10%) • Mobiliser les données existantes (depuis 2011) : • Internes : prévisions, fréquentation, menus, grèves, vacances scolaires, inscriptions scolaires, • Externes : fêtes religieuses, ponts, mouvements sociaux, météo... • L’objectif : prédire le nombre d’enfants qui déjeuneront à la cantine au moins 4 semaines à l’avance.
3. Une démarche ouverte • Travailler en mode “défi” : • Multiples acteurs mobilisés : numérique, cuisine centrale, agents, CityLab... • 2 candidats retenus : Maestria Innovation, Verteego • approche collaborative, délais serrés • Démarche ouverte : • Données publiées en open data, code source sur Github • Livre Blanc, documentation du processus • Invitation à d’autres territoires et acteurs • Développer une IA éthique : • Finalité d’intérêt général • Aucune donnée personnelle • Aider à la décision sans remplacer • Maximiser interopérabilité et la supervision • Audit des biais potentiels
4. Résultats et perspective • Un algorithme fiable : • XGBoost modifié pour associer des intervalles de confiance aux estimations • Evaluation sur 2018-2019 : 6,5% de surproduction avec les prévisions du modèle vs. 9,6% pour les prédiction des agents (0 jours sous-estimés) • 430 repas en trop évités par jour, soit = 817€ par jour (107 027€ par an pour 131 jours de service) • Travaux de mise en production • Atout : infra Onyxia/SSP Cloud pour le déploiement • Développement d’une interface utilisateurs pour la cuisine centrale et les admins • Recrutement d’une alternante pour l’accompagner les métiers dans le design et l’adoption d’une interface pour les agents des écoles • Obstacles • Perturbations pendant la crise et altération durable des patterns de fréquentation ensuite • Difficultés de mobilisation des équipes : perturbations opérationnelles (protocoles sanitaires…), profils éloignés du numérique, rotation • Instauration d’un double menu systématique qui modifie profondément les paramètres du problème • Un bilan mitigé • Déploiement incertain à Nantes • Apprentissage interne pour d’autres cas d’usage • Adoption par d’autres collectivités de cet algorithme => vers une bibliothèque d’IA partagées
5. Ressources • Code source : • Algorithme de prévisin : https://github.com/nantesmetropole/school_meal_forecast_xgboost • Interface utilisateur : https://github.com/FlorentBedecarratsNM/meal4cast • Données : • Fréquentation : https://data.nantesmetropole.fr/explore/dataset/244400404_nombre-convives-j our-cantine-nantes-2011 • Menus : https://data.nantesmetropole.fr/explore/dataset/244400404_menus-cantines-n antes-depuis-2011/ • Effectifs : https://data.nantesmetropole.fr/explore/dataset/244400404_effectifs-eleves-ec oles-publiques-maternelles-elementaires-nantes • Livre blanc : https://data.nantesmetropole.fr/api/datasets/1.0/244400404_nombre-convives-jour-cantin e-nantes-2011/attachments/rapport_experimentation_gaspillage_alimentaire_v1_pdf/