![\"Team](\"https:\/\/www.ai4goodlab.com\/wp-content\/uploads\/2025\/10\/housed-1.jpg\" "\\"housed-1\\"")
\n\tContexte<\/h2>\n
\u00c0 Edmonton comme ailleurs au Canada, l’itin\u00e9rance est un enjeu pressant qui ne cesse de s’aggraver. Cette situation ne peut \u00eatre expliqu\u00e9e par une cause unique, mais d\u00e9coule d’un ensemble complexe de facteurs socio\u00e9conomiques. Selon le d\u00e9nombrement Tout le monde compte 2020-2022<\/em> effectu\u00e9 par le gouvernement du Canada, le nombre de personnes en situation d’itin\u00e9rance \u00e0 l’ext\u00e9rieur des refuges a grimp\u00e9 de 88 % entre 2020 et 2022, ce qui rend compte de la d\u00e9t\u00e9rioration de cette crise. Selon plusieurs critiques r\u00e9centes des syst\u00e8mes d’entr\u00e9e coordonn\u00e9s, cette hausse s’expliquerait par des in\u00e9galit\u00e9s d’acc\u00e8s aux services, le manque de fiabilit\u00e9 des outils d’\u00e9valuation, l’inefficacit\u00e9 des strat\u00e9gies d’intervention et la difficult\u00e9 \u00e0 orienter les personnes vers un logement r\u00e9ellement adapt\u00e9 \u00e0 leurs besoins (source : \u00ab Coordinated Access and Coordinated Entry System Processes in the Housing and Homelessness Sector: A Critical Commentary on Current Practices \u00bb).<\/p>\n Plus que des chiffres, ces lacunes syst\u00e9miques touchent de r\u00e9elles vies humaines. Priv\u00e9es de logement s\u00fbr et de soutien ad\u00e9quat, les personnes en situation d’itin\u00e9rance doivent composer avec des traumatismes, la pauvret\u00e9, des troubles de sant\u00e9 mentale, la d\u00e9pendance ou m\u00eame des maladies graves, tout en faisant face \u00e0 la discrimination, au racisme et \u00e0 la criminalisation. Elles sont trop souvent jug\u00e9es \u00ab ind\u00e9sirables, \u00e0 risque ou difficiles \u00e0 prendre en charge \u00bb, au point que plusieurs en viennent \u00e0 int\u00e9rioriser leur statut de personnes itin\u00e9rantes, convaincues que le syst\u00e8me lui-m\u00eame les maintient dans cette impasse : \u00ab Les gens ont accept\u00e9 leur situation, ils vivent dans la rue, ils s’identifient comme itin\u00e9rants. Ils ont le sentiment que le syst\u00e8me les maintient l\u00e0 o\u00f9 ils sont, et il est difficile de les convaincre de passer \u00e0 autre chose \u00bb (Quirouette, M. [2016]. \u00ab Managing Multiple Disadvantages \u00bb)<\/em>.<\/p>\n Cet enjeu est exacerb\u00e9 par un manque de donn\u00e9es fiables et comparables, qui freine la capacit\u00e9 d’action concert\u00e9e des autorit\u00e9s et des acteurs et actrices de premi\u00e8re ligne. Condamn\u00e9es \u00e0 des nuits froides et \u00e0 une existence pr\u00e9caire, priv\u00e9es de la dignit\u00e9 d’un toit qu’elles peuvent appeler leur chez-soi, trop de personnes passent entre les mailles du filet. Notre projet ne se limite pas \u00e0 un simple exercice d’analyse des donn\u00e9es, mais vise \u00e0 outiller les autorit\u00e9s afin qu’elles puissent tenir compte des tendances socio\u00e9conomiques pour prendre des d\u00e9cisions rapides et \u00e9clair\u00e9es, propres \u00e0 aider les gens \u00e0 enfin sortir de l’itin\u00e9rance.<\/p>\n\t Pile technologique<\/strong><\/p>\n Le projet HOUSED a \u00e9t\u00e9 \u00e9labor\u00e9 en trois grandes \u00e9tapes. La premi\u00e8re \u00e9tape a consist\u00e9 \u00e0 mener des recherches sur le volet \u00e9thique et \u00e0 consulter les parties prenantes. Des membres de notre \u00e9quipe ont communiqu\u00e9 avec des refuges et organismes de bienfaisance pour personnes en situation d’itin\u00e9rance, tout en sollicitant l’avis d’un comit\u00e9 d’\u00e9thique pour encadrer rigoureusement notre d\u00e9marche. Nous nous sommes rendues dans divers refuges de la r\u00e9gion pour rencontrer les acteurs et actrices de premi\u00e8re ligne engag\u00e9s dans la lutte contre l’itin\u00e9rance dans notre\u00a0ville.<\/p>\n La deuxi\u00e8me \u00e9tape a consist\u00e9 \u00e0 recueillir les donn\u00e9es n\u00e9cessaires \u00e0 l’analyse. Nous avons r\u00e9uni des informations provenant de sources fiables telles que le gouvernement de l’Alberta, le gouvernement f\u00e9d\u00e9ral, Statistique Canada et le Conseil canadien de l’itin\u00e9rance. Nous avons recherch\u00e9 des donn\u00e9es concernant les taux de pauvret\u00e9, de ch\u00f4mage et d’inoccupation des immeubles, puis les avons converties en un jeu de donn\u00e9es chronologiques conforme aux exigences de notre\u00a0mod\u00e8le.<\/p>\n Enfin, nous sommes pass\u00e9es \u00e0 l’\u00e9tape de la mod\u00e9lisation. Nous avons utilis\u00e9 un mod\u00e8le de r\u00e9gression lin\u00e9aire afin de pr\u00e9dire les variations de la population en situation d’itin\u00e9rance selon divers contextes \u00e9conomiques. Par exemple, notre outil permet aux d\u00e9cideuses et d\u00e9cideurs – nos principaux utilisateurs – d’\u00e9valuer l’impact potentiel d’une hausse de 10 % du taux de pauvret\u00e9 et d’une baisse de 15 % de l’emploi sur l’augmentation du nombre de personnes dans la rue. HOUSED offre ainsi une m\u00e9thode in\u00e9dite pour aborder l’itin\u00e9rance, en mettant la puissance des mod\u00e8les d’IA au service de la pr\u00e9diction de sc\u00e9narios.<\/p>\n\t Nous avons relev\u00e9 un manque flagrant de solutions pour contrer le probl\u00e8me de l’itin\u00e9rance. Celles qui sont en place se r\u00e9sument \u00e0 des interventions de derni\u00e8re minute pour composer avec une population itin\u00e9rante toujours croissante. L’originalit\u00e9 de HOUSED r\u00e9side dans son approche proactive : en exploitant les capacit\u00e9s pr\u00e9dictives de l’apprentissage automatique, l’outil offre aux autorit\u00e9s des donn\u00e9es \u00e9clairantes pour concevoir des initiatives et des lignes directrices r\u00e9ellement porteuses. Con\u00e7u pour identifier les facteurs socio\u00e9conomiques les plus d\u00e9terminants, notre mod\u00e8le fournit aux responsables des informations claires et exploitables. Au lieu d’utiliser des mod\u00e8les opaques de type \u00ab bo\u00eete noire \u00bb, nous avons opt\u00e9 pour une approche par r\u00e9gression lin\u00e9aire afin que les pouvoirs publics puissent facilement mesurer le poids de chaque variable dans les pr\u00e9visions. Cette m\u00e9thode garantit des r\u00e9sultats limpides, accessibles et directement utilisables aux fins de l’\u00e9laboration de politiques \u00e9clair\u00e9es.<\/p>\n\t Notre principal d\u00e9fi a \u00e9t\u00e9 de r\u00e9unir des donn\u00e9es fiables, pr\u00e9cises et suffisamment volumineuses pour entra\u00eener le mod\u00e8le. Plusieurs ensembles de donn\u00e9es \u00e9taient incomplets, d\u00e9suets ou incompatibles avec nos exigences. Au lieu d’inventer des chiffres ou de gonfler artificiellement nos donn\u00e9es, nous avons mis\u00e9 sur la qualit\u00e9 plut\u00f4t que sur la quantit\u00e9 et n’avons retenu que les donn\u00e9es dignes de confiance. Un autre d\u00e9fi de taille a consist\u00e9 \u00e0 d\u00e9terminer les facteurs socio\u00e9conomiques \u00e0 int\u00e9grer. Pour ce faire, nous avons soumis chaque facteur \u00e0 une analyse pouss\u00e9e en examinant sa corr\u00e9lation avec l’itin\u00e9rance afin de d\u00e9gager les grandes tendances et de retenir les facteurs les plus d\u00e9terminants pouvant constituer un jeu de donn\u00e9es \u00e0 la fois fiable et\u00a0pr\u00e9cis.<\/p>\n Un autre d\u00e9fi majeur a \u00e9t\u00e9 de composer avec les consid\u00e9rations \u00e9thiques li\u00e9es aux donn\u00e9es et aux retomb\u00e9es concr\u00e8tes du projet sur le terrain. Nous avons tenu plusieurs rencontres avec Rose Landry, gestionnaire, Gouvernance de l’IA, Affaires juridiques et gouvernance de l’IA chez Mila, afin de discuter des risques et des strat\u00e9gies d’att\u00e9nuation possibles. Nous avons \u00e9galement men\u00e9 une recherche approfondie sur les meilleures pratiques en mati\u00e8re d’IA \u00e9thique et \u00e9chang\u00e9 avec des personnes \u0153uvrant dans des refuges, des repr\u00e9sentantes et repr\u00e9sentants du secteur public et des ONG travaillant directement aupr\u00e8s des populations en situation d’itin\u00e9rance. Ces entretiens nous ont permis de recueillir une diversit\u00e9 de points de vue sur la r\u00e9alit\u00e9 des personnes que notre projet vise \u00e0 soutenir, dans le but de garantir une d\u00e9marche avis\u00e9e et responsable.<\/p>\n Sur le plan technique, l’un de nos principaux d\u00e9fis a consist\u00e9 \u00e0 int\u00e9grer la variable \u00ab ann\u00e9e \u00bb dans notre mod\u00e8le de r\u00e9gression lin\u00e9aire qui, par d\u00e9faut, ne reconna\u00eet pas la dimension temporelle. Apr\u00e8s avoir consult\u00e9 notre mentor et notre assistante d’enseignement, nous avons d\u00e9cid\u00e9 d’utiliser des variables diff\u00e9r\u00e9es pour repr\u00e9senter efficacement la progression dans le temps. Nous avons \u00e9galement test\u00e9 d’autres mod\u00e8les, dont les r\u00e9seaux MLCT (r\u00e9seau \u00e0 m\u00e9moire \u00e0 long et court terme) et les for\u00eats al\u00e9atoires, pour voir si la pr\u00e9cision s’en trouvait am\u00e9lior\u00e9e. En fin de compte, la r\u00e9gression lin\u00e9aire a surpass\u00e9 les autres approches en produisant les r\u00e9sultats les plus exacts pour notre jeu de donn\u00e9es.<\/p>\n\t Ce projet nous a permis d’\u00e9voluer aussi bien sur le plan technique que sur le plan humain. Pour le volet technique, nous avons approfondi plusieurs concepts li\u00e9s \u00e0 l’apprentissage automatique, examin\u00e9 leurs forces et faiblesses, et appliqu\u00e9 un mod\u00e8le de r\u00e9gression lin\u00e9aire enrichi par une s\u00e9lection rigoureuse des variables, une analyse des r\u00e9sidus et des variables diff\u00e9r\u00e9es afin d’optimiser la qualit\u00e9 des pr\u00e9dictions.<\/p>\n Travailler ensemble a \u00e9t\u00e9 l’un des meilleurs aspects du projet. Notre \u00e9quipe, hautement collaborative, a su mettre \u00e0 profit les forces de chacune – qu’il s’agisse de la pr\u00e9paration des donn\u00e9es, de la mod\u00e9lisation ou des \u00e9changes avec les utilisateurs et utilisatrices. L’une des \u00e9tapes marquantes a \u00e9t\u00e9 notre rencontre avec des refuges locaux, qui nous ont fourni un \u00e9clairage concret et confirm\u00e9 que les r\u00e9sultats de notre mod\u00e8le \u00e9taient en phase avec la r\u00e9alit\u00e9 du terrain.<\/p>\n Plus que tout, nous avons pris conscience de la responsabilit\u00e9 \u00e9thique inh\u00e9rente \u00e0 la science des donn\u00e9es appliqu\u00e9e aux enjeux soci\u00e9taux. Nous avons privil\u00e9gi\u00e9 la transparence afin que chacun et chacune puisse comprendre comment les pr\u00e9dictions \u00e9taient \u00e9tablies. Nous avons \u00e9galement veill\u00e9 \u00e0 limiter les biais dans les donn\u00e9es, sans jamais perdre de vue que derri\u00e8re chaque donn\u00e9e se trouve une vraie personne. Cette prise de conscience a orient\u00e9 chacune des d\u00e9cisions que nous avons prises en cours de route.<\/p>\n\t Nous avons eu un immense plaisir \u00e0 travailler ensemble sur ce projet. Cette belle exp\u00e9rience nous a r\u00e9v\u00e9l\u00e9 les retomb\u00e9es positives que peuvent avoir l’intelligence artificielle et l’apprentissage automatique. Nous avons aussi d\u00e9couvert qu’une \u00e9quipe soud\u00e9e et passionn\u00e9e peut accomplir de grandes choses. Nous avons \u00e9norm\u00e9ment appris les unes des autres, ce qui nous a permis de grandir \u00e0 la fois comme personnes et comme \u00e9quipe. Ce projet, cette \u00e9quipe et ce laboratoire occuperont toujours une place sp\u00e9ciale dans nos c\u0153urs.<\/p>\n\t\t\t\t Ce projet n’aurait \u00e9t\u00e9 possible sans l’aide et les conseils de nombreuses personnes formidables. Nous tenons d’abord \u00e0 remercier notre assistante d’enseignement, Rohini Das, et notre mentor, Rafael Madrigal, qui nous ont accompagn\u00e9es \u00e0 chaque \u00e9tape et qui ont su nous offrir des commentaires pr\u00e9cieux tout au long du processus. Nous tenons \u00e9galement \u00e0 remercier nos autres assistants d’enseignement, Afia Afrin et Jake Tuero, de m\u00eame que James Dang, chef de produit \u00e0 l’Amii, et Rose Landry, gestionnaire, Gouvernance de l’IA, Affaires juridiques et gouvernance de l’IA \u00e0 Mila, pour leurs conseils et leur expertise.<\/p>\n Toute notre gratitude va \u00e0 Jennifer Addison, \u00e0 Yorsa Kazemi, \u00e0 Juliana Virani, \u00e0 Erika Hudon-Kaide, \u00e0 Warren Johnston et \u00e0 tous les autres qui ont soutenu ce programme, de m\u00eame qu’\u00e0 Kashish Aggarwal pour ses conseils pr\u00e9cieux, et \u00e0 l’\u00e9quipe de l’Amii, qui a \u00e9cout\u00e9 notre pr\u00e9sentation avec patience et encouragements. Merci aussi \u00e0 Heba Iftikhar et \u00e0 Jean Bruce Koua, qui ont aid\u00e9 \u00e0 nous mettre en relation avec les bonnes personnes. Nous avons grandement appr\u00e9ci\u00e9 nos \u00e9changes avec Brett Case, directeur des services de soutien au logement, Jennifer Legate, gestionnaire des initiatives li\u00e9es aux politiques de programmes au sein du gouvernement de l’Alberta, et Dan Zimmerman, responsable communautaire chez Boyle Street Community Services.<\/p>\n Enfin, nous remercions chaleureusement le CIFAR, Google DeepMind, Mila – Institut qu\u00e9b\u00e9cois d’intelligence artificielle, l’Alberta Machine Intelligence Institute (Amii), l’Institut Vecteur, la Manuvie, Osmo et tous nos autres commanditaires d’avoir rendu ce projet possible.<\/p>\n Composition de l’\u00e9quipe Sohana Dhinsa, Salma Ibrahim, Mehak Sahjwani, Sneha Latha Parasuraman R\u00e9sum\u00e9 du projet HOUSED est un outil de simulation propuls\u00e9 par l’apprentissage automatique qui aide les refuges et les autorit\u00e9s publiques \u00e0 anticiper le nombre de personnes qui se retrouveront \u00e0 la rue au cours de la prochaine ann\u00e9e. En fournissant des pr\u00e9visions…<\/p>\n","protected":false},"author":3,"featured_media":7017,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[76],"tags":[],"class_list":["post-7058","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-rapports-de-projets"],"yoast_head":"\nListe des technologies utilis\u00e9es<\/h2>\n
\n
D\u00e9veloppement du projet<\/h2>\n
Impact et innovation<\/h2>\n
D\u00e9fis<\/h2>\n
Ce que nous avons appris et\u00a0accompli<\/h2>\n
Prochaines \u00e9tapes<\/h2>\n
![\"Team](\"https:\/\/www.ai4goodlab.com\/wp-content\/uploads\/2025\/10\/housed-2.jpg\" "\\"housed-2\\"")
\n\tRemerciements et R\u00e9f\u00e9rences<\/h2>\n
Remerciements<\/h3>\n
R\u00e9f\u00e9rences<\/h3>\n
\n