Une IA pour aider à choisir l’emplacement de nouveaux équipements publics

Une collectivité souhaite construire une nouvelle école. Elle demande à un assistant d’intelligence artificielle : « Dans quelle zone cet équipement répondrait-il au plus grand besoin ? » En quelques instants, le système affiche une carte et propose plusieurs emplacements.

La carte est convaincante. Pourtant, comment l’assistant a-t-il rapproché les chiffres de population, les écoles existantes, les distances à parcourir et les évolutions des quartiers ? Les données proviennent souvent de sources différentes, produites à des dates et à des échelles qui ne coïncident pas.

Pour transformer cette démonstration en véritable aide à la planification, il faut préparer des connaissances territoriales fiables. Le travail ne se limite pas à afficher des points sur une carte : il consiste à rendre compatibles les informations et à expliciter les critères de décision.

Le décideur veut comprendre où les besoins sont les plus importants, quels habitants sont mal desservis et quels sites pourraient améliorer l’accès à un équipement public. Il souhaite également connaître les limites des données utilisées.

Une école ne se choisit pas uniquement en fonction du nombre d’habitants à proximité. Il faut considérer la population d’âge scolaire, les capacités des établissements existants, les déplacements, les contraintes foncières et les perspectives d’évolution du territoire.

L’assistant doit donc expliquer pourquoi il propose une zone plutôt qu’une autre. Il doit distinguer un résultat de calcul d’un choix de politique publique, qui demeure de la responsabilité des autorités compétentes.

Les informations nécessaires peuvent provenir d’un recensement, d’estimations démographiques, de fichiers d’équipements, de cartes routières, de documents d’urbanisme et d’enquêtes locales. Certaines sources décrivent des quartiers, d’autres des communes ou des zones statistiques.

Leur date compte autant que leur contenu. Une carte des établissements anciens et une estimation récente de population peuvent donner une image trompeuse si les ouvertures, fermetures ou changements territoriaux ne sont pas pris en compte.

L’ingénierie documentaire permet d’identifier les sources, de conserver leurs références, de qualifier leurs dates et de documenter les restrictions d’usage. L’ingénierie des données complète ce travail en préparant les fichiers et en vérifiant leur qualité.

Sans cette préparation, l’assistant peut produire une carte élégante reposant sur des informations incomplètes ou dépassées.

Une source indique la « population » d’une zone ; une autre le « nombre de ménages ». Une troisième dénombre les élèves inscrits dans les établissements existants. Ces indicateurs n’ont pas la même signification.

Pour estimer les besoins scolaires, il faut distinguer population totale, population d’âge scolaire, effectifs scolarisés, capacité d’accueil et fréquentation réelle. Il faut aussi préciser les années et les périmètres couverts.

L’ingénierie des connaissances, associée aux statisticiens et planificateurs, contribue à formaliser ces définitions et les règles de calcul. Un assistant ne devrait pas traiter automatiquement des catégories différentes comme si elles étaient interchangeables.

Cette étape est essentielle : un chiffre exact peut conduire à une conclusion erronée lorsqu’il est utilisé pour représenter une réalité qu’il ne mesure pas.

Imaginons que la population soit publiée par quartier, les écoles localisées par coordonnées et les données de transport décrites par segments de route. Les frontières administratives et les zones réellement desservies ne se superposent pas toujours.

Il faut établir les correspondances entre lieux, équipements et populations. Une école proche à vol d’oiseau peut être difficile d’accès si une rivière, une route impraticable ou un obstacle sépare les habitants de l’établissement.

L’ingénierie ontologique et sémantique contribue à préciser les notions de quartier, zone de desserte, établissement, capacité et accessibilité. Les géomaticiens et ingénieurs des données réalisent les rapprochements spatiaux et vérifient leur validité.

Le travail invisible consiste à construire des relations qui ont du sens, et non à superposer mécaniquement plusieurs cartes.

Imaginons deux quartiers fictifs comptant chacun 10 000 habitants. Un assistant qui ne considère que la population totale pourrait leur attribuer la même priorité.

Mais le premier compte davantage d’enfants d’âge scolaire et possède déjà plusieurs établissements accessibles. Le second compte moins d’enfants, mais ses élèves doivent parcourir de longues distances pour rejoindre une école dont la capacité est limitée.

Le classement peut alors changer selon les critères retenus. Les données ne « choisissent » pas à elles seules : il faut définir ce que l’on cherche à améliorer — proximité, capacité d’accueil, équité territoriale ou anticipation de la croissance.

Ces chiffres sont purement illustratifs. Ils ne décrivent aucun quartier réel de Côte d’Ivoire. Ils montrent pourquoi une recommandation doit être reliée à des définitions, à des règles et à des objectifs explicites.

Les urbanistes et planificateurs définissent les enjeux d’aménagement. Les géomaticiens travaillent sur les localisations, les découpages et les distances. Les statisticiens vérifient les indicateurs et leurs limites. Les responsables sectoriels apportent les connaissances sur les écoles ou les centres de santé.

Les documentalistes qualifient les sources. Les ingénieurs des connaissances formalisent les critères de décision. Les spécialistes sémantiques organisent les correspondances entre concepts territoriaux. Les développeurs et ingénieurs IA construisent les outils de consultation et d’analyse.

Ces fonctions ne nécessitent pas autant de recrutements distincts. Elles doivent en revanche être identifiées et coordonnées pour éviter qu’une décision soit fondée sur des rapprochements non vérifiés.

Un système d’aide à l’implantation doit pouvoir expliquer les sources mobilisées, les hypothèses retenues et les critères utilisés pour classer les zones. Il doit également signaler les données absentes ou trop anciennes.

Il est utile de comparer plusieurs scénarios : que se passe-t-il si l’on privilégie les distances, la croissance démographique ou la capacité des équipements ? Les résultats doivent être examinés par les spécialistes du territoire et les autorités concernées.

Une recommandation ne doit pas masquer les contraintes foncières, environnementales, financières ou sociales qui n’auraient pas été intégrées au modèle. L’IA éclaire le choix ; elle ne remplace ni les études nécessaires ni l’arbitrage public.

Les mêmes référentiels géographiques, définitions d’indicateurs et catalogues d’équipements peuvent être utiles pour la planification scolaire, la santé, l’accès au numérique ou la mobilité.

Lorsqu’ils sont correctement gouvernés, ces patrimoines peuvent être réutilisés par plusieurs applications. Cela suppose des droits clairs, des mises à jour, des responsables identifiés et des conventions communes.

Il ne s’agit pas de centraliser toutes les données dans une plateforme unique, mais de rendre possibles des analyses cohérentes entre secteurs et institutions lorsque les besoins le justifient.

Un pays peut disposer de cartes, de statistiques démographiques et de données sur les équipements sans être immédiatement capable de les réunir dans une analyse territoriale fiable.

La difficulté peut venir de sources dispersées, de définitions différentes, de découpages incompatibles ou de critères de décision insuffisamment explicités.

Les capacités nationales d’IA reposent donc aussi sur les géomaticiens, statisticiens, planificateurs, documentalistes et ingénieurs des connaissances qui rendent ces informations compatibles et utilisables.

Une IA peut afficher des cartes et calculer des distances. Mais pour recommander l’implantation d’une école ou d’un centre de santé, elle doit comprendre ce que mesurent les données, comment les territoires se correspondent et quels objectifs guident la décision.

Derrière une recommandation territoriale crédible se trouvent des données qualifiées, des concepts harmonisés, des critères explicites et des professionnels capables de les vérifier. C’est ce travail invisible qui transforme une carte séduisante en une aide à la décision plus solide.