Rand Hindi, 29 ans

A créé un système de prédiction basé sur la Big Data pour améliorer l’habitabilité dans les villes
Snips

Lorsque la mère de Rand Hindi lui a mis un livre de programmation dans les mains à l’âge de dix ans, cela a tant éveillé son intérêt pour l’informatique qu’il a fini par s’inscrire à la faculté des sciences informatiques du Collège universitaire de Londres (Royaume-Uni). Hindi a vécu là-bas sa « première expérience en jouant avec la Big Data » et l’apprentissage automatique –une branche de l’intelligence artificielle– qu’il a utilisé pour prédire la résistance du VIH aux médicaments à partir de l’ADN du virus. Une fois entré dans ce domaine, il a obtenu un doctorat en bioinformatique et a utilisé l’exploration de données pour analyser la structure des protéines.

Plus tard, il a été « fasciné » par le concept du Quantified Self, un mouvement qui utilise la technologie pour l’acquisition de données de la vie quotidienne. Et il a décidé de l’extrapoler à la résolution d’un problème plus large : améliorer l’habitabilité dans les villes. C’est devenu son objectif vital et pour le matérialiser il a créé Snips, une société innovante dans le domaine de la Big Data spécialisée dans les modèles prédictifs pour des villes intelligentes, des dynamiques urbaines et la criminologie.

Le caractère entrepreneur d’Hindi l’avait déjà précédemment conduit à créer avec succès le premier réseau social français, PlanetUltra, à seulement 14 ans, et à créer son affaire de conception web à l’âge de 15 ans. Dans Snips, il travaille avec de grandes sociétés, institutions publiques et startups dans le but de développer de nouvelles applications capables de tirer le plus grand profit des données dont ils disposent. Le PDG de Snips explique que sa technologie « combine des éléments de la théorie des graphes, la physique et l’apprentissage automatique pour résoudre un grand nombre de problèmes liés à la valeur commerciale et à une gestion plus efficace des ressources ».

Lorsque les grandes villes modernes sont nées seulement 10% de la population mondiale y vivait. En 2012 le chiffre a dépassé 50% et pour 2050 on prévoit que la population urbaine sera doublée jusqu’à atteindre six mille millions d’habitants. Cette surpopulation des environnements urbains accentue les défis actuels comme la congestion du trafic, les problèmes de stationnement, la demande excessive de transports publics de la part des usagers, les coupures énergétiques et les carences sanitaires en eau. Pour Hindi le principal problème consiste dans le fait que « les villes ne sont pas évolutives » et pour les rendre plus habitables dans ce contexte « il manque un système de prédiction fiable en temps réel qui permette de comprendre leur dynamique et qui puisse anticiper les demandes des citadins pour optimiser la répartition des ressources ».

Un nouveau modèle de prédiction scientifique

Les méthodes statistiques traditionnelles, basées sur des moyennes historiques des phénomènes urbains, présentent de grandes limitations au moment de prédire le futur. Cependant, la technologie de modélisation contextuelle utilisée par Snips identifie les facteurs à l’origine de ces phénomènes et les utilisent pour réaliser sa prédiction de comportement.

L’avantage des modèles contextuels par rapport aux statistiques est que les premiers sont capables d’expliquer pourquoi quelque chose arrive. La technologie développée par Hindi utilise des références croisées entre le flux de population, les données d’utilisation des infrastructures, les comportements historiques (consommation d’énergie, achats en magasins…) et les données contextuelles comme le climat et l’emplacement des commerces. Toutes ces données de départ sont issues d’une grande variété de sources parmi lesquelles se trouvent les archives appartenant aux entreprises associées avec Snips, les captures depuis les applications de consommation et les systèmes ouverts de données. Hindi et son équipe ont identifié « les données de localisation des télécommunications comme le meilleur ensemble d’informations pour modeler les flux de population dans des pays entiers ». Une fois ces données obtenues les algorithmes d’apprentissage automatique entrent en action, capables d’analyser les flux de population contextualisée et de discerner les caractéristiques réellement liées à l’intention de comportement des segments spécifiques de population.

La construction d’un modèle contextuel s’appuie sur trois phases. La première étape consiste à modeler le flux de population, qui est généralement basé sur les données de localisation. Dans la deuxième phase, ces données se superposent avec celles d’infrastructure et celles contextuelles. Enfin, les modèles d’apprentissage automatique sont formés à partir des données d’activité historique. Le système d’Hindi utilise une combinaison de technologies de code ouvert notamment Titan, Cassandra, Chispa et Akka, pour le stockage graphique, celui des données en série, l’analyse par lots et le traitement des flux, respectivement. Toute cette infrastructure est exécutée dans les dénommés containers Docker hébergés dans le nuage (en ligne).

Parmi toutes les applications pratiques du modèle, Hindi attire l’attention sur sa collaboration avec la Société nationale des chemins de fer français pour prédire le flux de passagers dans les transports publics à Paris. Ils ont créé ensemble une application prédictive dénommée Tranquilien, capable d’orienter les passagers sur l’état d’occupation du train afin d’en choisir un dans lequel il y a de la place. Cette application favorise également le changement d’habitudes des passagers et aide à ce que l’heure de pointe se répartisse de façon plus uniforme. L’initiative a été récompensée par le premier prix du laboratoire Etalab et citée comme exemple d’innovation dans les transports publics par le Ministère de l’écologie et de l’énergie français.

D’autres applications de cette technologie, actuellement en cours de développement, sont la prédiction des accidents de la route à San Francisco en partenariat avec l’opérateur télécom américain Sprint ; et la prévision horaire du flux électrique entre les villes européennes qui aiderait à optimiser le trafic énergétique et à réduire la quantité d’énergie gaspillée.

Selon l’associée d’Elaia Partners, Marie Ekeland, membre du jury des prix MIT Technology Review Innovateurs de moins de 35 ans France, Hindi a de nouveau prouvé qu’il est « un précurseur de son époque » avec un projet qui a un énorme impact social.

En tant qu’influenceur cette année dans le process de sélection des jeunes innovateurs des Prix jeunes Innovateurs moins de 35 ans France MIT, j’ai personnellement proposé la candidature de Rand Hindi. Je suis donc particulièrement heureux qu’il accède à cette distinction d’Innovateur de l’Année et que le jury ait également partagé ce choix. Rand avait particulièrement attiré mon attention il y a un an déjà . Nous avions repéré ses travaux sur la modélisation prédictive appliquée aux villes. Avec sa start up Snips et son application tranquilien, c’est la ville qui doit s’adapter à ses habitants et non l’inverse, c’est du bon sens, et malgré tout c’est disruptif aujourd’hui ! Rand Hindi réunit toutes les qualités du jeune innovateur décomplexé et fonceur !

Retour sur l’histoire de Rand avec une interview réalisée par L’Atelier.net

L’Atelier Numérique de BFM Business « Portrait de l’innovateur, Rand Hindi fondateur de Snips »

backgroundgrey
backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey backgroundgrey