A moins que vous soyez en villégiature ensoleillée sur la planète Mars, vous ne pouvez pas ne pas avoir entendu parler des « Smart Cities », ces fameuses villes intelligentes qui vont résoudre cette nouvelle et déjà indispensable équation à 3 inconnues :

« Optimiser l’usage des ressources de la ville (I1), au prix le plus bas (I2), pour le bien-être des citoyens (I3) ».

Les puristes nous reprocheront à juste titre cette approche un peu osée, vu qu’il ne s’agit pas de résoudre un système à 3 inconnues, mais bien de traiter une seule équation avec 3 paramètres, ce que les fans de la programmation linéaire apprécieront…

Mais nous nous égarons.

En fait, il s’agit par la grâce des technologies modernes, de rendre cette ville intelligente, autrement dit réactive (maintenant on dit résiliente…), efficace, à l’écoute des usagers et toujours en avance d’un besoin non encore exprimé.

C’est vrai que l’on ne parle que de cela. Les articles de journaux se multiplient, les conventions fleurissent et les ouvrages dédiés envahissent les vitrines de nos libraires.

Toutefois, à contrario et au risque une fois de plus de froisser quelques certitudes, nous prenons le parti de mettre le pied sur le frein, car si le concept est effectivement attrayant, tout cela n’est encore qu’un « tigre de papier », des supputations sur l’avenir, les responsables TI des villes ne se rendant pas toujours compte à quel point il sera difficile de satisfaire, ceux qui rêvent aujourd’hui.

Une approche en 4 phases

Pour mettre en place tout ou partie d’une « Smart City », il faut passer par 4 phases distinctes :

  • Que veut-on faire ?
  • Où sont les données, comment les récupérer et à quelle fréquence ?
  • Comment traiter ces données : big data, qualité, indicateurs
  • Sur quels modèles comportementaux des services et populations, pourra-t-on les appliquer ?

Découpage qui n’a l’air de rien, mais dont chacune des phases peut donner lieu à tellement d’interprétations et de solutions différentes, que cela explique que selon le très bon papier de Leonidas Anthopoulos, Marjin Janssen et Viskhanth Weerakkody : « Comparing Smart CIties with different modeling approaches », il y ait plus de 150 contextes différents de villes intelligentes mises en œuvre dans le monde !!!

Auteurs qui ne manquent pas de rappeler que des voix commencent à s’élever qui dénoncent le discours marketing à la mode, le manque de réalisations concrètes et des applications en « trompe l’œil ». Aie…

Que veut-on faire ?

Déjà, il faut répondre à cette question. Ce qui implique que les responsables le sachent eux-mêmes et soient capables d’élaborer une sorte de catalogue de comportements et de services, qui pourrait tenir lieu de cahier des charges de la « Smart City ».

Or, rien que sur ces fondations, il existe pléthore d’approches, plus ou moins convergentes.

IBM propose, par exemple, un modèle à 9 piliers, qui porte sur la planification et la gestion des services, plus précisément sur les infrastructures et les personnes.

L’ITU, organisme de standardisation propose un « Smart sustainable City Key Performance indicators » orienté environnement, productivité, qualité de vie, développement des infrastructures, etc. Une autre manière, par conséquent, de découper ces éventuels besoins.

L’ISO, qui est un organe de l’ONU, dispose de son propre modèle et il en existe de nombreux autres.

Nous ne saurions trop recommander aux convaincus de la « ville intelligente » de se faire leur propre opinion, en prenant dans ces modèles ce qui leur conviendra de mieux.

Les choix de cibles doivent être faits par les usagers eux-mêmes et pas par des consultants, juges et parti. On partira peut-être de l’un de ces frameworks pour choisir quelques points d’ancrage, histoire de dégager des objectifs clairs et précis.

Tant que cette phase n’aura pas été effectuée, on n’engagera aucune ressource.

Et nous ne saurions trop recommander de ne pas être trop ambitieux. De commencer « petit », avec une fonction bien délimitée, si possible spectaculaire : l’optimisation de la consommation d’eau ou d’électricité, l’optimisation des interventions des équipes de voierie sur le domaine public, l’organisation des péages urbains, etc.

Ces fonctions feront partie d’un cadre général, une sorte de feuille de route, dans lequel elles s’inscriront, avec d’autres fonctions, mais avec lesquelles elles ne seront pas contradictoires.

Ce sera certes une phase chronophage, mais le temps passé à la réflexion ne sera pas perdu.

Où sont les données ?

Le 2ème aspect à prendre en compte sera celui des données. Où se trouvent-elles ? Comment les récupérer ? Sachant qu’il y aura en gros 2 familles de fournisseurs de data : la ville elle-même et tous les partenaires avec lesquels elle travaille : les opérateurs de télécom, les fournisseurs d’énergies, essentiellement.

Il faudra faire un inventaire des data qui existent et mettre en place les moyens pour produire celles qui n’existent pas.

Ce sera surtout une phase de synthèse et de négociations, qui elle-aussi prendra du temps, car les partenaires ne seront pas nécessairement prêts et décidés à fournir les données en question.

Ainsi, si une ville veut connaître les mouvements de population dans une journée, minute par minute, pour mieux cibler certains de ses services, elle pourra demander à un opérateur téléphonique de lui fournir ces informations, puisque lui connaît les déplacements de ses clients qu’il identifie par leur IMEI mobile et qu’il géolocalise.

De la même manière qu’une carte météo, il sera alors possible de suivre en quasi temps-réel ces mouvements, au prix il est vrai du traitement d’un volume de données qui pourra devenir considérable.

Comment traiter les données ?

Dès lors que les contrats auront été établis, les données vont arriver, volumineuses et diversifiées. Des données de tous ordres, des valeurs numériques, des textes, des fichiers XML, des extraits de bases de données, des fichiers CSV, des données issues de capteurs, etc.

Tout cela va rentrer dans un ou plusieurs silos centraux.

Ce qui nous mettra devant une double problématique : comment traiter ces big data et comment s’assurer de leur qualité.

Phase qui passera nécessairement par la mise au point d’un modèle de données central, sorte de repository ou modèle, dans lequel seront répertoriées les données entrantes, avec leur nature, sémantique, fréquence et processus d’intégration dans les silos centraux.

Reste le plus difficile

Admettons que toutes ces phases se soient terminées avec succès.

C’est là que le plus difficile va commencer, car il va falloir modéliser chacun des services que la ville voudra rendre, avec une double contrainte : la modélisation du service lui-même, mais également ses interactions avec les autres services, avec lesquels il pourrait éventuellement entrer en conflit.

L’optimisation du trafic urbain, par exemple : gestion  des feux (lumières) et ouverture modulaire des  voies de circulation en fonction du trafic, peut s’avérer contradictoire avec la gestion des services d’urgence, de médecine et de police.

De même la gestion des parkings souterrains et externes, peut se heurter aux objectifs d’optimisation des manifestations, concerts, marchés, etc.

A la limite, si nous disposons des données adéquates, on arrivera peut-être à faire quelque chose…

Mais faire en sorte que chaque service amélioré ou optimisé s’intègre harmonieusement et sans incompatibilité dans un contexte global, qui sera « in fine » celui de la « Smart City », il ne faut pas rêver…

Personne ne l’a jamais fait et personne ne le fera avant des décennies.

Alors autant être pragmatique.

Dans la plupart des cas, la « Smart City » se limitera à un périmètre réduit : diminuer la facture d’électricité ou améliorer la disponibilité des services d’urgence, mais guère plus.

Car une ville numérique, pour des usagers « heureux », qui n’auraient plus à craindre les congestions en centre-ville, ni de faire une crise cardiaque sur la voie publique, on ne pourra raisonnablement pas l’envisager avant 2137. Et encore, à condition de commencer tout de suite.

Prenez le « simple » problème  de l’optimisation des feux et de la circulation. Il existe certes de nombreux logiciels qui prétendent faire correctement ce travail et qui s’appuient sur des données émises par des capteurs, insérés dans des modèles comportementaux des automobilistes.

Mais nous n’avons pas été éblouis par les résultats obtenus. Nous aurions plutôt été effrayés par certaines de leurs conséquences.

Prenons le cas réel d’une grande capitale européenne francophone dotée d’une grande tour métallique, pour laquelle un « penseur » avait élaboré un modèle d’accès aux autoroutes par des bretelles contraintes par un système d’optimisation de feux, les temps de passage et d’entrée sur l’autoroute étant fondés sur la distribution statistique des véhicules pour chacune des bretelles. Loi de Poisson, loi de Gauss…

Résultat, cette ville, dont nous tairons le nom pour ne pas lui faire de tort, a connu le plus invraisemblable embouteillage de son histoire, dont elle a mis des semaines à se remettre. Avec une image dégradée pour 2 siècles et la certitude d’entretenir pendant longtemps les fous-rires de la moitié de la planète.

Quant au « modélisateur », il est en fuite et circule désormais à bicyclette. Il paraîtrait d’ailleurs qu’il ne voit plus trop l’intérêt de monter un service de bicyclettes intelligentes, comme cela a été proposé lors du récent MWC (Mobile World Congress) de Barcelone.

Comment mesurer les performances de la ville numérique

Comme le relèvent les auteurs de l’article précité, il existe un certain nombre de benchmarks, qui répondent à ce besoin et dont on pourrait s’inspirer, si l’envie nous venait de vouloir nous comparer avec d’autres villes tout aussi intelligentes que la nôtre. Des benchmarks qui vont d’ailleurs souvent de pair avec les offres de modélisation précédentes, mais aussi des spécificités comme les « Local Sustenable Development Indicators » de Pires, Fidelis et Ramos, les « Global City Performance Measurement Indexes » de Kourtit, Macharis et NijKamp, les « Sustainable Local Government Scorecard » de Cruz et Marques, etc. Ce n’est pas ce qui manque et comme pour les frameworks de modélisation, chacun y puisera les KPI qui lui paraîtront les plus pertinents et représentatifs.

Ne soyons pas pessimistes

Le but de notre propos n’est pas de dénigrer le concept de « Smart City ».

Mais simplement d’alerter notre lecteur sur la difficulté de la tâche et lui éviter de prêter une oreille trop attentive aux discours triomphants des prestataires qui ont trouvé là un « fromage » fabuleux.

Pensez-donc : « Smart City » + Big Data, ils ont du travail pour 10 ans !!!