L'intelligence artificielle au service de l'inclusivité urbaine

Rashid Mushkani a mené 28 entretiens semi-dirigés avec des individus aux profils variés. Ces entretiens, d'une durée de 30 à 90 minutes, exploraient les perceptions individuelles des lieux publics et les qualités qui rendent une rue fonctionnelle pour différents usagers. 

L'analyse a mis au jour des variations dans la perception de l’inclusivité ou de la non-inclusivité des lieux publics.  

Par exemple, les personnes à mobilité réduite ont souligné l’importance des abaissements de trottoirs et l'entretien de ces derniers; les gens âgés ont plutôt parlé de l'éclairage et de la clarté de la signalisation; les jeunes participants se sont concentrés sur la flexibilité d'utilisation et l'intérêt visuel; et les membres de la communauté LGBTQ2+ ont mentionné des indices d'acceptation. 

À la lumière de ces entretiens, quatre critères d'évaluation ont émergé.

• L'accessibilité représentait 45 % des énoncés formulés par les participants en situation de handicap.  
• Les préoccupations esthétiques et relatives à l'entretien constituaient 28 % des commentaires des jeunes adultes.  
• La sécurité était une préoccupation majeure pour les personnes âgées, représentant 31 % de leurs déclarations.
• Les caractéristiques d'inclusivité ont été soulignées par les participants LGBTQ2+, constituant 22 % de leurs énoncés. 

Ainsi, le doctorant estime que «l’inclusivité ne se résume pas à une rampe: elle se joue aussi dans la lisibilité de la signalisation, l’entretien des voies de circulation, la possibilité de s’arrêter, et dans des signaux qui disent “Vous êtes les bienvenus ici”». 

Une méthodologie assistée par l'IA 

Le doctorant a ensuite sélectionné 20 portions de rues à Montréal représentatives d’une diversité de contextes urbains. Pour chacune des rues, il a choisi trois points de vue et recueilli pour chaque 250 images en rotation à 360 °, obtenant un ensemble de 15 000 images. Douze participants ont ensuite attribué des notes selon les quatre critères d'évaluation. 

Puis, Rashid Mushkani a conçu un «pipeline d'apprentissage automatique» pour prédire les scores d'inclusivité à partir d'images de vues de rues. Le modèle utilise SegFormer-B5, un système de segmentation sémantique comprenant 82 millions de paramètres, capable de classer les pixels en catégories comme les trottoirs, les bâtiments et la végétation.  

Le modèle ayant des scores de précision très élevés, on lui a soumis 45 000 images de vues de rues provenant de la plateforme Mapillary pour créer des cartes thermiques de l'inclusivité à l'échelle de Montréal. 

En combinant ces éléments visuels avec les notes attribuées par des Montréalaises et Montréalais lors des séances d’évaluation d’images, Rashid Mushkani a ensuite entraîné un modèle neuronal supervisé – Street Review – en mesure d’attribuer des scores, à partir de nouvelles images de rues, en matière d’accessibilité, d’esthétique, de praticité et d’inclusivité, selon différents profils d’usagers. 

L'analyse a notamment révélé que la couverture des trottoirs et les façades de bâtiments constituent les prédicteurs les plus significatifs de l'inclusivité perçue. La végétation, malgré les réactions émotionnelles positives exprimées lors des entretiens, a eu une importance moindre dans les prédictions du modèle. 

Autre résultat important: il y a un écart entre ce que les gens ressentent et ce que le modèle «voit».  

«La verdure compte émotionnellement, mais elle n’est pas le seul indicateur qui compte, mentionne le doctorant en rappelant l’importance de la coproduction. Ainsi, grâce à Street Review, on relie la richesse des vécus recueillis sur le terrain et la capacité de l’IA à regarder la ville à grande échelle, à partir de cartes qui s’apparentent à des cartes thermiques, dans le but ultime de rendre visibles des exclusions souvent invisibles.» 

Ces cartes permettent de constater les disparités importantes entre les quartiers montréalais. Ainsi, Ville-Marie, Outremont et les zones autour du mont Royal ont obtenu des scores d’inclusivité plus élevés, cohérents avec les investissements faits pour les piétons. Les quartiers périphériques affichent des indices plus faibles, qui reflètent les lacunes infrastructurelles mentionnées par les participants. 

Les cartes spécifiques aux groupes démographiques révèlent que les hommes âgés, les jeunes femmes et les personnes à mobilité réduite ont accordé des scores médians plus bas, qui correspondent aux préoccupations de sécurité nocturne et aux obstacles posés par des trottoirs étroits. En revanche, les jeunes hommes et les participants LGBTQ2+ ont attribué des scores d'inclusivité plus élevés. 

«Ces variations démontrent qu'un même environnement peut sembler inclusif pour un groupe tout en étant relativement inaccessible pour un autre, observe Shin Koseki. Avec l'apport de l'IA, on peut désigner les lieux les plus problématiques et cerner les enjeux sous-jacents.» 

Un outil pour les décideurs urbains 

Selon les deux chercheurs, la méthodologie Street Review offre aux planificateurs urbains un outil structuré pour déterminer les caractéristiques de conception qui améliorent l'inclusivité perçue. Les cartes «thermiques» permettent de suivre l'évolution de l'inclusivité des rues selon différents groupes démographiques. 

Ils reconnaissent toutefois certaines limites à leur méthodologie, dont l’exigence en ressources de la coproduction et la dépendance aux images Mapillary. Selon eux, des raffinements futurs de l’outil pourraient comprendre des études longitudinales, un plus grand nombre de participants et des analyses comparatives entre plusieurs villes. 

L'équipe espère obtenir un financement pour travailler avec d'autres municipalités et ministères.  

«Notre ambition, c’est qu’une ville puisse suivre l’inclusivité de ses rues dans le temps, comme on suit l’état des infrastructures, conclut Shin Koseki. Mesurer, comparer, améliorer et, surtout, ne plus laisser certains segments de la population “hors champ”, de façon à entretenir l’inclusivité dans les lieux publics en continu.»