Débat réglementaire sur les "Engins de Déplacement Partagés" en Californie

A Paris comme en Californie les débats sont vifs et il semble difficile d'aboutir à un consensus sur la réglementation des trottinettes en libre service dans un contexte où :
  • Certains souhaitent encourager les mobilités électriques, partagées, relativement peu consommatrices d'espace public et peu productrices de CO2.
  • D'autres sont plutôt sensibles aux dangers de cette nouvelle catégorie de mobiles quand elle circule sur la route et pis encore sur les trottoirs et à la gène suscitée par l'encombrement des trottoirs dans certaines zones denses...
En France en attendant l'adoption de la loi LOM, Paris a adopté le principe d'une taxation du nombre de trottinettes (nous en avions parlé ici) et le sujet nourrit les escarmouches entre Mme Hildalgo et M. Castaner.

Un détour par la Californie apporte un éclairage sur les termes du débat sur la réglementation des "shared mobility objects" (c'est à dire des trottinettes et autres VLS soit, en bon français, des "EDP" : Engins de Déplacements Partagés ...) aux USA.
Le Département des Transport  de Los Angeles (LA DOT) a développé un outil visant à faciliter les échanges de données entre la ville et les opérateurs de mobilité partagée :  "Mobility Data Stpecification". Ce "standard" fait l'objet d'un article récent de Gabriel Plassat sur la Fabrique des Mobilités. L'objectif annoncé est d'observer les déplacements pour mesurer les conséquences du déploiement et, le cas échéant, de réguler, voir de taxer les usages. Cette spécification a rapidement intéressé d'autres villes et irrité les sociétés de micro-mobilités qui pour la plupart sont peu favorables à la régulation du secteur au niveau local.

L'état de Californie, probablement à la demande des opérateurs, s'est intéressé au sujet et travaille sur une proposition loi qui s'imposerait aux villes.Elle visait initialement à interdire aux villes d’exiger d'accéder aux données des opérateurs de micro-mobilité. Ce texte (Assembly Bill AB 1119) a été débattu et pour le moment aucun accord n'a été obtenu. Logiquement les villes se battent pour affaiblir le texte. Néanmoins, le débat, les évolutions du texte et le jeu des acteurs sont intéressants y compris dans un contexte français et parisien. Les débats ont porté sur 3 points : l'accès aux données, le champs des obligations pouvant être imposées aux opérateurs au niveau local et les redevances.

Sur les données :

L'EFF (Electronic Frontier Foundation),  qui défend la vie privée, la liberté d'expression et l'innovation, a pris position pour interdire l'accès aux données par les services des villes. Les arguments de l'EFF sont détaillés dans cet article : Los Angeles Department of Tansportations ride tracking pilot is out control. En substance, les données de géolocalisation détaillées sont des données personnelles sensibles qui doivent rester confidentielles et sous la stricte responsabilité de l'entreprise qui les collecte. Elles ne doivent pas circuler entre les organisations.

Du coup le texte actuel introduit les notions de données anonymisées et agrégées. Il autorise les villes à exiger l'accès aux données opérationnelles anonymisées et agrégées pour tous les voyages réalisés au moins en partie sur leur territoire.En principe c'est clair, en pratique ce n'est pas si simple à mettre en oeuvre...

Sur la possibilité d'imposer une licence locale :

A ce stade, le texte reconnait cette possibilité mais cadre les exigences pouvant figurer dans l'accord de licence? Outre les dispositions relatives à la sécurité et à la santé publique, des clauses visant à obliger les opérateurs à servir certaines zones ou certaines personnes (ensure equitable access to historically disadvantaged communities or individuals) peuvent accompagner la licence.

Enfin sur les redevances :

Le texte, dans son état actuel, autorise la perception de redevances à condition que leur montant soit proportionné aux coûts induits pour la collectivité pour l'administration du service.

Au final rien de tout cela n'est définitif et on devrait entendre parler à nouveau de ces trottinettes dans les semaines et les mois qui viennent !

Transit Data à Paris : 6 tendances pour les données et le mass transit


Du 8 au 10 juillet 2019, quatre-vingt des meilleurs "data-scientists" du domaine du "mass transit" se sont réunis à Paris pour la cinquième édition de Transit Data.
J'ai pu assister à une partie de l'événement, que vous pouvez revivre en remontant le fil twitter  et ai été impressionné par la qualité des participants et  des présentations. Elles sont, cerise sur le gâteau, pour la plupart accessibles en ligne.
Après avoir relu ces présentations, je partage avec vous 6 tendances générales qui me semblent représentatives de l'ensemble, illustrées par quelques présentations :
  1. Une meilleure compréhension des comportements des voyageurs en particulier des critères de choix d’itinéraire en milieu urbain dense. Des comportements spécifiques comme le déni d’embarquement (boarding denial), les itinéraires "à rebours" (back riding ou reverse routing) ou les réactions en cas d’incident (fermeture de gares) font l'objet d'analyse quantitatives inédites et intéressantes. Voir par exemple :  Understanding passenger path choice in congested metro  networks: The  case of reverse routing.
  2. Des analyses sur les couplages voyageurs/exploitation notamment autour des temps d’embarquement, ou des choix d’itinéraires en bus en fonction de l’information disponible ou d’incidents… Voir l’étude japonaise sur les liens entre perturbations  des trains et affluences des voyageurs :  Empirical Investigation of Fundamental Diagram for Urban Rail Transit by Using Commuter Rail Data in Tokyo … 
  3. Un recours fréquents aux méthodes issues du « machine learning » au domaine de la mobilité. Il y a plusieurs exemples d'applications d'algorithmes de clustering dont une sur la vulnérabilité des gares aux perturbations et une sur la segmentation des voyageurs sur la base de leurs données de mobilité. J'ai apprécié la présentation de VEDECOM : Prediction of bus passenger flow using Machine Learning.
  4. Plusieurs études sur la multi-modalité autour des stations de transit ou en substitution du transit associant de nombreuses données dont des données météo ou événementielles…  Voir notamment :  Longitudinal modeling of the daily subway ridership in Montreal: What is the influence of alternative modes of transport ? (non disponible pour le moment).
  5. Moins de présentation sur les questions de tarification. Voir tout de même :  Evaluating the impact of fare capping and guaranteed best fare policies with smart card data and Machine learning.
  6. Un intérêt pour les données ouvertes : GTFS, OSM… qui permettent de construire des benchmarks mondiaux Voir par exemple :Enhanced complex network representation of public transport for accessibility assessment based on General Transit Feed Specification data .
Je serai, bien sûr, heureux d'avoir vos commentaires sur la pertinence de ces tendances et de cette petite sélection... Et surtout, je remercie et félicite les auteurs des présentations, les membres du steering committee, les organisateurs et tout particulièrement Maguelonne Chandesris.

Gouverner les transports à l'ère algorithmique : une étude de l'ITF

En pleine préparation de la Loi d'Orientation des Mobilités et au moment où les transports font plus que jamais l'objet de débats politiques et réglementaires, l'International Transport Forum  (ITF) de l'OCDE publie le 23 mai 2019 une étude intitulée Governing Transport in the Algorithmic Age


C'est l'occasion de saluer la qualité du travail de l'ITF dont les rapports sont clairs et intéressants. Je vous incite à le lire et en retiens quelques pépites que je vous livre.

Le premier mérite de l'étude est d'identifier les risques induits par le recours aux algorithmes dans le domaine des transports de façon concrète et pédagogique.

L'importance des algorithmes mais aussi des données et des réseaux (Data, Networks, Algorithms : the next DNA of transport) pour les transports est illustrée par des exemples variés : guidage des personnes et des véhicules, contrôle d'accès, services innovants de véhicules partagés, de transport à la demande, péages, planification des investissements et, bien sûr, véhicules autonomes...Le rôle croissant des applications, leurs interdépendances via les données qu'elles génèrent et consomment laisse entrevoir un vaste système de mobilité complexe piloté par des algorithmes et bien des dystopies si l'homme perd la maîtrise de l'ensemble !

L'adage "code is law" s'applique parfaitement à la mobilité... mais  le code de la route et plus généralement les outils qui formalisent actuellement la gouvernance des transports sont-ils suffisamment accessibles aux machines ? Est-il souhaitable de "coder" la loi ? de déléguer certaines fonctions réglementaires aux machines ? Comment réguler les algorithmes ?   L'essentiel des recommandations de l'étude éclairent ces questions.

L'étude introduit, d'abord, ce que sont les algorithmes, comment ils fonctionnent et ce qu'ils permettent de faire. L'intelligence artificielle ou plus justement les différentes techniques d'apprentissage automatique (machine learning) ne reposent que sur des algorithmes et ne sont pas exemptes de failles et de biais. La notion de "régulation algorithmique" émerge, elle ouvre de nombreuses questions.

La compréhension des impacts des algorithmes,  souvent positifs et parfois négatifs, est un prérequis peut y répondre. Ces impacts sont illustrés par des cas concrets réels :
  • erreurs de programmations faisant accélérer des automobiles, 
  • défaut dans les interactions entre l'homme et la machine lors des accidents mettant en cause des voitures en "pilotage automatique" dans lesquels l'homme aurait dû reprendre le contrôle du véhicule,
  • introduction de biais et de discriminations dans l'accès à certains services de mobilité... 

Les risques liés aux algorithmes couvrent des catégories étendues de la sécurité des personnes à la défense du bien social en passant par l'équité, la transparence, la responsabilité et la protection de la vie privée.

Dans chaque catégorie les risques sont illustrés concrètement par des failles ou des attaques réelles. Une attaque spectaculaire visant à leurrer les capteurs d'un véhicule autonome en lui faisant prendre un feu vert pour un feu rouge est particulièrement évocatrice des risques.

Pour ceux qui douteraient encore, je ne résiste pas à l'envie de vous partager cette vidéo récente de l'université de Stanford  même si elle n'a pas de lien avec le transport. Elle montre, de façon spectaculaire, à quel point il est facile de leurrer non seulement les algorithmes, mais aussi les gens !

Les différences entre les décisions humaines et algorithmiques sont, d'ailleurs, abordées. Les premières peuvent être mauvaises mais elles sont, en majorité, clairement encadrées par les lois et associées à des principes de responsabilités et de sanctions. Ce cadre résulte de longues observations des risques et de négociations entre les différentes parties prenantes.

Si il semble prématuré de changer ces règles  "analogiques" pour les adapter aux algorithmes, il est nécessaire que les régulateurs prennent mieux en compte l'importance réelle du logiciel dans le domaine des transports.

Dix recommandations découlent de cette analyse :
  1. sensibiliser les autorités aux algorithmes et rendre les politiques des transports compatibles avec les algorithmes,
  2. s'assurer que le contrôle et la tutelle des algorithmes sont bien proportionnés à leurs impacts et aux risques qu'ils induisent,
  3. intégrer, par défaut, des fonctions d'audit dans les algorithmes susceptibles d'avoir un impact important, 
  4. traduire les règles de droits "analogiques" en code lisible par les machines pour permettre leur utilisation par des algorithmes  (l'étude signale que 782 autorités réglementaires dans le monde, dont 39 en France, le Bundestag et la ville de Washington, ont déjà transcrit certaines de leurs règles en code et les ont mises à disposition du public sur Github), 
  5. avoir recours à des algorithmes pour réguler de façon plus dynamique et efficiente (voir les propositions de la ville de Los Angeles pour réguler l'utilisation de l'espace urbain par les services de VTC via un système d'API  nommé Mobility Data Specification dont nous avions parlé ici), 
  6. comparer la performance des systèmes algorithmiques à celle des prises de décisions humaines,
  7. évaluer les algorithmes au delà des critères de transparences et d'explicabilité (développer la notion d'explicabilité "by design"),
  8. mettre en place un cadre robuste pour garantir la responsabilité des décisions prises par les algorithmes (qui doit être attribuée, d'après l'étude, aux entités qui les déploient), 
  9. établir des lignes directrices claires et des actions réglementaires pour évaluer l'impact des prises de décision algorithmiques, 
  10. adapter la façon dont la régulation est élaborée pour refléter la vitesse et l'incertitude liées aux déploiement des algorithmes.