Présentation de la technologie de Nakisa (LPL1-V76)

Transcription : Présentation de la technologie de Nakisa

[00:00:06 Texte à l'écran : Présentation de la technologie de Nakisa].

[00:00:12 L'écran s'estompe pour laisser place à Wendy Bullion-Winters].

Wendy Bullion-Winters (vice-présidente, Appui organisationnel et dirigeante principale des finances) : Bienvenue. Je suis heureuse de vous accueillir aujourd'hui à un autre événement qui fait partie de notre série de démonstrations techniques de l'École de la fonction publique du Canada. Je m'appelle Wendy Bullion-Winters. Je suis vice-présidente chargée de l'appui organisationnel et dirigeante principale des finances de l'école. Aujourd'hui, j'ai le plaisir d'accueillir Nitin Sharma, directeur des produits chez Nakisa.

[00:04:22 Nitin Sharma apparaît dans un autre panneau de discussion vidéo.]

Wendy Bullion-Winters : Il s'agit d'une entreprise de Montréal dont certains d'entre vous se souviennent peut-être. Cette société existe depuis plus de 20 ans et vous connaissez peut-être certains de ses produits, en particulier son outil de conception organisationnelle qui fonctionne en synchronisation avec PeopleSoft pour créer des organigrammes vivants et à jour. Aujourd'hui, Nitin est ici pour nous parler d'une autre innovation vraiment passionnante de cette entreprise canadienne et de la manière dont elle expérimente et construit des outils plus complexes qui exploitent l'IA. Alors, Nitin, bienvenue, et à vous la parole.

Nitin Sharma (directeur des produits, ressources humaines, Nakisa) : Un plaisir. Merci, Wendy, et merci à tous pour votre temps. Et comme vous l'avez mentionné, Nakisa est une entreprise montréalaise dont le siège social est ici. Nous avons mis l'accent, bien sûr, sur les logiciels d'entreprise pendant toute cette période. Nous avons grandi et comptons aujourd'hui environ 300 employés. Nous avons effectué des déploiements éprouvés et nous comptons de grandes entreprises du monde entier parmi nos clients. Plus précisément, nous sommes très fiers du travail que nous avons accompli dans le secteur public, notamment avec le gouvernement fédéral du Canada, l'Ontario Power Group et de nombreuses autres autorités provinciales. Parallèlement, Nakisa dispose également de l'habilitation de sécurité Protégé B du gouvernement canadien. Cela signifie non seulement l'habilitation du personnel, mais aussi tout ce qui concerne l'adhésion aux exigences du gouvernement fédéral en matière d'hébergement, de résidence des données, de conformité, de sécurité. J'ai vraiment hâte de participer à la discussion d'aujourd'hui.

Wendy Bullion-Winters : Génial. Aujourd'hui, vous allez nous faire une démonstration de Nakisa Decision Intelligence, que vous avez lancée en 2025, je crois. J'ai eu une démonstration rapide de cet outil, mais je suis impatiente d'en voir plus aujourd'hui. Je comprends que cet outil peut être utilisé pour interpréter des données de toute nature, par exemple des données sur la main-d'œuvre, des données financières ou même simplement des bases de données sur les clients. Vous allez nous en dire plus sur la puissance de cet outil et sur la manière dont il unifie, interprète et analyse un grand nombre de données internes et externes en temps réel, sur la manière dont il effectue des prévisions et des simulations et sur la manière dont il fournit des informations analytiques. De plus, vous pouvez faire en sorte que l'outil utilise le langage naturel et pose des questions complexes pour obtenir des conseils et des recommandations sur mesure basés sur les données. Donc, Nitin, pour aujourd'hui, je comprends que pour faire une démonstration de l'outil, vous allez utiliser des données ouvertes de l'entreprise montréalaise, Bixi. Pour ceux qui ne connaissent pas Bixi, il s'agit d'une société montréalaise. Il s'agit d'un système public de partage de vélos. Il existe plusieurs stations dans la ville où; l'on peut louer un vélo à l'aide d'une carte de crédit et de l'application Bixi. Il s'agit d'un service très populaire, dont les données de fréquentation sont rendues publiques. Il s'agit d'une source ouverte. Il s'agit donc d'un excellent ensemble de données à utiliser pour démontrer la puissance de cet outil, l'outil Decision Intelligence de Nakisa. Nitin, c'est à vous.

Nitin Sharma : Merci, Wendy, et c'est vrai. J'ai pensé que ce serait une bonne idée de passer en revue une source de données publique pour montrer les capacités de Nakisa Decision Intelligence, et la discussion sur la question de savoir pourquoi nous nous intéressons à Nakisa Decision Intelligence se divise en deux parties. Il y a eu la directive du gouvernement du Canada sur la prise de décision automatisée, donc la recherche de l'intelligence artificielle pour soutenir les décisions administratives et améliorer globalement le service de livraison, et cela est lié à beaucoup de nos conversations où; les organisations vont au-delà des rapports statiques ou des tableaux de bord interactifs, elles cherchent vraiment des moyens de prendre des décisions transparentes et explicables grâce à l'IA, où; les humains restent dans la boucle et sont dans le siège du conducteur, mais en fin de compte, ils sont capables d'interagir rapidement avec les données, d'obtenir des informations, d'exécuter des scénarios et des simulations, et l'ensemble de données Bixi nous a semblé être un excellent moyen de montrer ces capacités, en fin de compte parce que c'est un ensemble de données qui a une saisonnalité, des pics de demande, des contraintes de main-d'œuvre. Il ne s'agit pas seulement de déplacer des vélos d'un endroit à l'autre, mais il y a tout ce qui concerne la préparation du service, le personnel, la responsabilité, et c'est la raison pour laquelle nous allons passer en revue l'ensemble de données Bixi aujourd'hui, alors que nous examinons Nakisa Decision Intelligence.

Wendy Bullion-Winters : Parfait. Oui, je pense que c'est quelque chose que notre public pourra vraiment envisager. Tout le monde a, à un moment ou à un autre, voulu... ou peut-être pas, mais je veux dire que nous pouvons envisager de louer un vélo et de l'emmener d'un endroit à un autre. Je pense qu'il s'agit d'un excellent cas d'utilisation aujourd'hui. Vous décrivez Nakisa Decision Intelligence comme étant agentive. Il s'agit d'un mot, un petit mot à la mode, que nous entendons de temps en temps lorsque nous parlons d'IA, ce mot « agentive ». Qu'est-ce que cela signifie vraiment?

Nitin Sharma : C'est une excellente question, et le terme « agentive » peut avoir des significations différentes selon les organisations. La façon dont nous envisageons les capacités agentives au sein de Nakisa Decision Intelligence, vous voyez donc notre application ici, et je veux commencer en regardant les données.

[00:06:34 Une page Web apparaît, affichant des informations sur l'utilisation des vélos Bixi en 2024 et une description : « Contient des enregistrements détaillés des trajets à vélo Bixi, y compris les noms des stations de départ et d'arrivée, les lieux, les arrondissements et les heures de départ et d'arrivée des trajets. Utile pour analyser les schémas d'utilisation des vélos et l'activité des stations - 10 champs ». Une liste d'exemples de questions est présentée sous les titres suivants : « Tendances de la demande et de l'utilisation », « Heures de la journée et saisonnalité », « Rendement des stations et optimisation du réseau », « Flux spatiaux et couverture », « Durée, distance et vitesse des trajets », et « Planification opérationnelle et rééquilibrage ».]

Nitin Sharma : Les données sont donc mises à la disposition de NDI. Le lien peut se faire, comme vous l'avez mentionné précédemment, directement à un PRE, Oracle, SAP, quel que soit le PRE le plus important. Ces données peuvent être téléchargées à l'aide de fichiers CSV, ou les défis les plus courants auxquels le secteur public ou l'entreprise est confronté sont les suivants : les données se trouvent dans plusieurs systèmes. Vous pouvez ainsi vous connecter à plusieurs systèmes. Une fois que vous avez les données, ce que l'agentivité signifie pour Nakisa Decision Intelligence, c'est que, premièrement, vous n'avez pas besoin de pré-entraîner quoi que ce soit.

[00:07:06 Nitin Sharma clique sur « 10 champs » et une liste de champs est générée].

Nitin Sharma : Grâce aux données disponibles, Nakisa Decision Intelligence est en mesure d'examiner les champs et d'ajouter le contexte qui les entoure. Il n'a donc pas eu besoin d'être formé à quoi que ce soit pour pouvoir le faire. Et si vous disposez de données provenant de plusieurs systèmes, il peut également les lier automatiquement. Vous avez donc un agent qui comprend les données et le contexte, un autre agent qui lie les données entre ces différents systèmes, et un autre agent qui dit, avec ces données et la façon dont elles sont liées, voici les types d'informations que nous pouvons faire apparaître immédiatement, et dont vous n'aviez peut-être pas conscience. Ainsi, lorsque nous parlons de Nakisa Decision Intelligence, pour nous, agentif signifie cet orchestre d'agents qui obtient vos données, comprend vos données, lie vos données et fait apparaître des informations sur les données sans avoir besoin d'être formé à l'avance sur quoi que ce soit, et que tout cela se passe de manière transparente en quelques minutes.

Wendy Bullion-Winters : C'est génial. Avant de nous plonger dans les données publiques de Bixi et d'en faire la démonstration aujourd'hui, j'aimerais reprendre ce que vous avez dit et l'interpréter pour un exemple gouvernemental, et je vais prendre mon propre exemple. Je suis responsable de l'ensemble des services généraux ici, à l'École de la fonction publique du Canada.. Je peux donc m'imaginer utiliser cet outil, y introduire des données PeopleSoft pour qu'il comprenne ma main-d'œuvre, des données SAP pour qu'il comprenne mes finances, et peut-être aussi des données sur les apprenants, les types de cours que nous dispensons, les taux de fréquentation, les commentaires des professeurs, les taux d'abandon, les taux de non-présentation, et vous me dites que Nakisa, votre outil, serait capable d'interpréter, en utilisant cette intelligence agentive, serait capable de déterminer automatiquement le contexte, de comprendre qu'il s'agit d'un institut d'apprentissage, de comprendre que nous parlons d'une prestation de cours et d'une prestation d'apprentissage, tout simplement automatiquement. Je n'ai rien d'autre à faire que de télécharger les données elles-mêmes.

Nitin Sharma : En effet. L'agent comprendrait les données, vous montrerait ce qu'il comprend dans le contexte des données, vous montrerait comment les données sont liées entre elles. Ensuite, sans formation préalable, il est en mesure de vous indiquer comment vous pouvez interagir avec lui, quels types d'informations vous pouvez en tirer. Et même si vous posez des questions basées sur des données que vous ne possédez pas, il n'hallucinera pas et n'inventera pas de réponses. Il vous permettrait en fait de savoir, pour répondre à cette question, de quel type de données vous auriez besoin. Cela peut donc vous permettre de vous connecter à d'autres systèmes ou d'augmenter les données que vous avez fournies pour obtenir des informations clés.

Wendy Bullion-Winters : C'est un excellent point à soulever, car je pense que nous sommes préoccupés par ce phénomène d'hallucinations, si nous avons déjà touché à certaines interfaces d'IA. Merci pour cette question. D'accord, sans plus attendre, plongeons dans quelques-uns de ces exemples. Je regarde.

[00:10:27 Une page Web apparaît, affichant des informations sur l'utilisation des vélos Bixi en 2024 et une description : « Contient des enregistrements détaillés des trajets à vélo Bixi, y compris les noms des stations de départ et d'arrivée, les lieux, les arrondissements et les heures de départ et d'arrivée des trajets. Utile pour analyser les schémas d'utilisation des vélos et l'activité des stations - 10 champs ». Une liste d'exemples de questions est présentée sous les titres suivants : « Tendances de la demande et de l'utilisation », « Heures de la journée et saisonnalité », « Rendement des stations et optimisation du réseau », « Flux spatiaux et couverture », « Durée, distance et vitesse des trajets », et « Planification opérationnelle et rééquilibrage ».]

Wendy Bullion-Winters : D'accord, donc l'heure, le jour et la saisonnalité, le rendement des stations, les flux spatiaux et la couverture. Pouvez-vous cliquer sur le mois qui a enregistré le plus grand nombre de déplacements?

Nitin Sharma : Absolument. En fait, nous allons passer à NDI.

[00:10:44 Une nouvelle page Web apparaît avec une fonction de clavardage].

Nitin Sharma : Ainsi, il y a toujours la ventilation des données, comment tout a été interprété, sautons dans le vif du sujet. Nous sommes en ce moment dans NDI.

[00:10:55 Nitin Sharma tape « Quel mois a enregistré le plus grand nombre de déplacements? » dans la boîte de clavardage et clique sur le bouton d'envoi].

Nitin Sharma : Et vous avez demandé quel était le mois avec...

Wendy Bullion-Winters : Le nombre total de déplacements le plus élevé.

Nitin Sharma : Nombre total de déplacements.

Wendy Bullion-Winters : Je voudrais savoir quand Bixi est le plus occupé. Quand loue-t-on le plus grand nombre de bicyclettes?

[00:11:04 Texte à l'écran :
« Obtention d'informations à partir de vos données, veuillez patienter. »
« Transformation des données brutes en informations exploitables, un instant. »
« Visualisation des modèles et des tendances pour votre analyse, attendez. »
« Exploration des relations entre les données pour révéler les joyaux cachés, c'est presque fait. »
« Calculs pour fournir des informations claires, merci de votre patience. » « Génération de visualisations complètes pour vos données, veuillez patienter. »]

Nitin Sharma : Et vous pouvez voir que NDI analyse les données, interprète la question, examine les données et le contexte pour revenir et nous informer.

[00:11:16 Une réponse est générée, qui se lit comme suit : « Le mois de juillet 2024 a enregistré le plus grand nombre total de trajets à vélo Bixi, avec plus de 2 millions de trajets effectués ce mois-là. Cela indique les pics d'utilisation en été, lorsque les conditions météorologiques et les événements favorisent la mobilité ». Des exemples de messages de suivi sont également fournis :
« Montrez-moi la tendance mois par mois pour 2024. »
« Quel jour de la semaine est le plus populaire pour les déplacements? »
« Peut-on voir les schémas d'utilisation par arrondissement? »]

Nitin Sharma : C'est en juillet que le nombre de déplacements a été le plus élevé, avec plus de deux millions de déplacements effectués ce mois-là.

Wendy Bullion-Winters : D'accord, et cet ensemble de données publiques ne concerne que l'année 2024. Est-ce exact?

Nitin Sharma : C'est exact.

Wendy Bullion-Winters : D'accord. Nous sommes donc en 2024 et on indique le mois de juillet. Cela ne me surprend pas. C'est la plus belle période pour visiter Montréal, et l'on peut imaginer que de nombreux touristes ont envie de se promener à vélo dans la ville. Réfléchissons maintenant : pourriez-vous lui demander d'afficher la station la plus populaire?

Nitin Sharma : Absolument.

Wendy Bullion-Winters : L'agent suggère ici, « Montrez-moi la tendance mois par mois ». C'est impressionnant. « Quel est le jour de la semaine le plus populaire pour les déplacements? » et « Peut-on se baser sur les modèles d'utilisation? » Il propose donc déjà des questions supplémentaires que je pourrais approfondir, après la question que j'ai posée. Alors, pourquoi ne pas cliquer sur la tendance d'un mois sur l'autre avant de poser la question suivante?

[00:12:15 Nitin Sharma clique sur « Montrez-moi la tendance mois par mois pour 2024 ».]

Nitin Sharma : Et vous avez tout à fait raison, Wendy, lorsque nous interagissons avec Nakisa Decision Intelligence, nous sommes dans un environnement de clavardage, et nous nous concentrons sur les données Bixi, mais vous pourriez avoir différentes fenêtres de clavardage parce que vous pourriez mettre l'accent sur différents éléments.

[00:12:28 Une réponse est générée, qui se lit comme suit : « Voici la tendance mois par mois des déplacements à vélo Bixi en 2024, affichée sous forme de graphique linéaire. Cette vue met en évidence les fluctuations de l'utilisation tout au long de l'année, ce qui permet de repérer facilement les mois de pointe et les mois creux. Vous souhaitez approfondir les facteurs à l'origine des tendances mensuelles, comparer des mois ou consulter les données au-delà graphique? » Un graphique linéaire montrant les déplacements à vélo Bixi par mois en 2024 est présenté à droite de l'écran. Des exemples de messages de suivi sont également fournis :
« Montrer les données de déplacement sous-jacentes pour chaque mois en 2024. »
« Comparer le volume des déplacements entre les mois de pointe et les mois creux. »
« Ventiler les tendances mensuelles par jour de la semaine. »
« Analyser l'impact des conditions météorologiques sur les tendances mensuelles des déplacements. »
« Résumer le nombre total de déplacements par trimestre pour 2024. »]

Nitin Sharma : Et avec les questions que nous posons, il comprend notre contexte et construit sa mémoire de clavardage. Ainsi, parce qu'il est entendu que nous voulons comprendre le nombre de déplacements, comme vous l'avez souligné, les recommandations des questions de suivi continueront sur un thème similaire. Nous demandons donc maintenant la ventilation mensuelle de ces différents déplacements par rapport à la moyenne des déplacements que nous constatons également.

Wendy Bullion-Winters : C'est incroyable, et il n'est pas surprenant que l'hiver soit la période la moins populaire pour les gens qui se promènent à Montréal dans la neige sur ces vélos de location. Donc, si je devais prendre des décisions pour optimiser mon activité en fonction de Bixi, j'aimerais savoir où; se trouvent les stations les plus fréquentées. Pouvons-nous lui demander cela? Où; se trouve la station la plus populaire et combien de vélos ont été retirés de cette station au cours de cette période de 2024?

[00:13:28 Nitin Sharma tape « Quelles sont les stations les plus populaires en 2024? » dans la boîte de clavardage et clique sur le bouton d'envoi].

Nitin Sharma : Absolument. Commençons donc par les plus populaires pour 2024, les stations maintenant au lieu du nombre total d'usagers.

[00:13:43 Une réponse est générée, qui se lit comme suit :
« Les stations de vélos Bixi les plus populaires en 2024 par nombre de trajets sont :

1. Métro Mont-Royal (Utilités publiques / Rivard)
2. du Mont-Royal / Clark
3. Laurier / St-Denis
4. des Pins / St-Laurent
5. Marquette / du Mont-Royal
6. Métro Atwater (Atwater / Ste-Catherine)
7. Métro Peel (de Maisonneuve / Stanley)
8. Laurier / de Brébeuf
9. Émile-Duployé / Sherbrooke
10. Métro Papineau (Dorion / De Maisonneuve) »

« Vous aimeriez voir une carte de leur emplacement, analyser leur utilisation au fil du temps ou explorer ce qui rend ces stations si populaires? »
Des exemples de messages de suivi sont également fournis :
« Montrer une carte des 10 stations Bixi les plus fréquentées pour 2024. »
« Analyser les tendances des déplacements dans le temps pour ces stations Bixi les plus fréquentées. »
« Répartir les stations les plus fréquentées en fonction de l'heure de la journée en 2024. »
« Comparer le nombre total de trajets pour ces stations en 2024. »
« Résumer les principaux facteurs contribuant au nombre élevé de déplacements à ces stations. »]

Nitin Sharma : Et ce que nous pouvons faire, c'est visualiser les schémas qui s'y trouvent. C'est génial. Nous connaissons les 10 stations les plus fréquentées.

Wendy Bullion-Winters : Vers le métro Mont-Royal, et Laurier / St-Denis, oui, Marquette.

Nitin Sharma : Ce qui est très unique à propos de NDI, Nakisa Decision Intelligence, que nous appelons NDI au cas où; vous me verriez ou m'entendriez dire NDI, c'est qu'avec toutes les réponses que vous voyez, toutes les visualisations, l'intention n'est jamais de vous donner des réponses magiques. Vous dépendez des données, comme vous l'avez mentionné, si vous avez des données sur les employés, des données sur le rendement, des données sur les salaires, vous regardez les sessions. Quoi qu'il en soit, le plus important est que vous sachiez ce qui se passe sous le capot pour que je puisse obtenir ces réponses.

[00:14:46 Nitin Sharma clique sur l'icône d'un point d'interrogation dans la boîte de clavardage et une nouvelle page Web s'affiche avec un résumé qui se lit comme suit : « Ce calcul permet de déterminer les stations de vélos les plus populaires pour les débuts de trajet. Il nous indique les 10 stations d'où; partent le plus grand nombre de trajets, ce qui nous permet de savoir quels sont les endroits où; la demande de location de vélos est la plus forte. »]

Nitin Sharma : Ainsi, pour chaque réponse, vous avez la possibilité de consulter une explication. Vous pouvez en fait consulter le raisonnement de NDI, la façon dont il a interprété la question, le résumé de ce qu'il a fait pour vous donner une réponse.

[00:14:59 Nitin Sharma clique sur le titre « Explication » en haut de l'écran, et une explication technique est générée : « Cette requête sélectionne le nom de la station de départ et calcule le nombre de trajets à vélo qui commencent à chaque station. Elle regroupe les enregistrements en fonction du nom de la station de départ, de sorte que chaque ligne du résultat représente une station. Il compte ensuite le nombre de trajets pour chaque station, classe les résultats dans l'ordre décroissant du nombre de trajets pour obtenir les stations les plus utilisées en tête, et limite la sortie aux 10 premières stations avec le plus grand nombre de départs. »]

Nitin Sharma : Vous disposez donc maintenant d'une analyse technique de la façon dont la question a été interprétée.

[00:15:07 Nitin Sharma clique sur le titre « Explication détaillée » en haut de l'écran et une explication mathématique est générée : « Pour chaque valeur du nom de la station de départ dans l'ensemble des enregistrements de trajets à vélo, nous calculons la cardinalité (taille) du sous-ensemble de trajets qui commencent à cette station. Nous classons ensuite toutes les stations par ordre décroissant en fonction de ce nombre, et nous sélectionnons les 10 stations ayant les nombres les plus élevés. Officiellement : Pour chaque station s, calculer N_s = |{trajets: Nom de la station de départ = s}|, puis sélectionner les 10 stations ayant le plus grand N_s. »]

Nitin Sharma : Et s'il a fallu faire des calculs, la formule mathématique et le calcul, et ceci est disponible pour chaque réponse, donc que ce soit pour un appel clé comme la transparence, la responsabilité, la gouvernance, ou que nous ayons besoin de revenir en arrière et de revoir pourquoi nous avons pris ces décisions. Avec chaque réponse que nous voyons avec NDI, je voulais souligner que vous avez la capacité d'intégrer l'explicabilité à chaque étape du processus.

Wendy Bullion-Winters : C'est étonnant, parce que parfois nous posons une question et nous obtenons une réponse et nous sommes surpris par la réponse, la réaction que nous obtenons, et cela pourrait être dû à la façon dont nous avons formulé la question. Il s'agit donc d'un outil très utile pour la transparence et la responsabilité. Excellent. Pouvez-vous visualiser ces 10 stations les plus populaires?

[00:15:59 Nitin Sharma tape « Utilisez un diagramme en accord pour visualiser les flux entre les 8 premiers quartiers » dans la boîte de clavardage et clique sur le bouton d'envoi].

Nitin Sharma : C'est tout à fait possible. J'ai donc de me fournir un type de visualisation, un diagramme de base. Plus tôt, lorsque nous avons parlé des agents agentifs, j'ai abordé la question des données et de l'interprétation des données.

[00:16:16 Une réponse est générée, qui se lit comme suit :
« Voici un diagramme visualisant le flux de déplacements à vélo Bixi entre les 8 premiers quartiers de Montréal en 2024. Chaque courbe indique le volume de déplacements reliant un quartier à un autre - les courbes plus épaisses représentent des flux plus importants. Cela permet de cibler les paires de quartiers qui présentent les liens de mobilité à vélo les plus fortes. Vous souhaitez savoir quels sont les quartiers qui servent davantage d'origine que de destination, connaître les tendances par saison ou mettre l'accent sur une paire pour une analyse plus approfondie? » Un diagramme montrant les flux de déplacements à vélo Bixi entre les principaux quartiers en 2024 apparaît à droite.
Des exemples de messages de suivi sont également fournis :
« Afficher les quartiers où; les déplacements à vélo sont les plus fréquents. »
« Afficher les quartiers qui sont les destinations les plus fréquentes. »
« Analyser les tendances saisonnières des flux de déplacements à vélo entre les quartiers. »
« Filtrer les flux pour mettre en évidence une paire de quartiers. »
« Résumer les liens les plus forts entre les quartiers. »]

Nitin Sharma : Ce qui se passe ici aussi est une autre orchestration d'agents. La question que j'ai posée est donc la suivante : un agent interprète ces données et se demande s'il dispose des données nécessaires pour répondre à cette question. Ensuite, il récupère les données et se demande quelle est la bonne façon de répondre à votre question. S'agit-il d'une réponse textuelle? S'agit-il d'une réponse sous forme de tableau ou d'un document visuel? Vous pouvez, bien sûr, lui dire exactement ce que vous voulez, mais c'est aussi une orchestration d'agents qui se produit.

[00:16:51 Nitin Sharma agrandit le diagramme].

Nitin Sharma : C'est ainsi que Nakisa Decision Intelligence est une orchestration d'agents. Et ici, j'ai dit, ces huit premières stations, visualisez dans un diagramme central les trajets de départ vers les trajets d'arrivée, le départ vers les destinations.

[00:17:08 Nitin Sharma survole une ligne sur le diagramme, indiquant l'itinéraire de Ville-Marie au Plateau-Mont Royal avec une valeur numérique de 596 045].

Nitin Sharma : Ainsi, nous avons pu voir le flux de vélos, comment de Ville-Marie au Plateau est l'un des plus communs.

[00:17:14 Nitin Sharma survole une ligne sur le diagramme, indiquant la route de Rosemont - La Petite Patrie à Le Plateau-Mont Royal avec une valeur numérique de 452 661].

Nitin Sharma : Et de Rosemont-Petite Patrie au Plateau. Le Plateau est donc très courant. C'est un point névralgique, semble-t-il.

Wendy Bullion-Winters : C'est une image étonnante parce que si je pense à prendre des décisions d'optimisation, à décider, d'accord, où; sont les endroits les plus populaires où; je dois mettre le plus de vélos, où; sont les endroits où; je pourrais vouloir supprimer des stations parce qu'elles ne rapportent pas d'argent ou que les vélos ne sont pas utilisés? Il s'agit d'une question qui pourrait éclairer cette décision.

Nitin Sharma : Si nous voulions les visualiser par quartier, nous pourrions le faire, et ce que je voulais souligner, c'est que c'est entre Ville-Marie et le Plateau qu'il y a eu le plus d'activité.

[00:17:56 Nitin Sharma clique sur la ligne Ville-Marie vers Le Plateau-Mont Royal et une liste de trajets Bixi sur ce trajet exact est générée sous le diagramme].

Nitin Sharma : Mais je pouvais en fait cliquer directement sur ce lien et accéder à tous les déplacements et aux données qui circulaient de l'un à l'autre. Il ne s'agit donc pas seulement de me fournir des visualisations, mais de me permettre d'interagir avec elles et de comprendre les données qui les sous-tendent, ce que je voulais simplement souligner ici.

Wendy Bullion-Winters : C'est génial. D'accord. Ainsi, nous pourrions très rapidement, à l'aide de ce graphique, cibler la valeur aberrante, n'est-ce pas? Nous pouvons constater que les lignes épaisses sont les plus populaires et que les lignes fines sont les moins populaires. Donc, dans le même ordre d'idées, si je voulais optimiser et suggérer, par exemple, deux endroits où; je devrais ajouter de nouvelles stations Bixi en fonction de l'achalandage actuel, est-ce que cela pourrait se faire?

Nitin Sharma : Absolument.

[00:18:53 Nitin Sharma tape « Où; devrions-nous ajouter 2 nouveaux emplacements Bixi pour optimiser notre flotte sur la base des données actuelles? » dans la boîte de clavardage et clique sur le bouton d'envoi].

Nitin Sharma : Nous voulions savoir où; nous devrions ajouter ces deux nouveaux emplacements Bixi pour optimiser notre flotte, et c'est une excellente question, parce qu'elle nous demande de prendre des décisions basées sur des données que nous n'avons pas.

[00:19:09 Une réponse est générée, qui se lit comme suit :
« Pour recommander deux emplacements optimaux pour les nouvelles stations Bixi, nous nous appuyons sur des critères stratégiques fondés sur des données :

Approche

• Cibler les « lacunes » dans les déplacements : Il faut rechercher les zones où; la densité des déplacements est élevée, mais où; il n'y a pas de stations à proximité, ou les points de départ et d'arrivée fréquents qui sont éloignés des stations actuelles.
• Trouver les stations surchargées : Mettre en évidence les stations qui traitent régulièrement le plus de trafic ou qui connaissent des problèmes de rééquilibrage.
• Repérer les quartiers mal desservis : Cibler les arrondissements où; la couverture des stations est relativement faible, mais où; les trajets commencent ou se terminent de manière notable dans les quartiers adjacents.

Prochaines étapes : Recommandation fondée sur des données - Je vais analyser :

• Stations présentant les débordements les plus importants (demande de départ ou d'arrivée) par rapport à leurs voisines.
• Les groupes de trajets commençant ou se terminant loin du réseau de stations 2024.

Commençons par cibler les zones où; le nombre de déplacements est élevé, mais où; il y a peu d'options de gares à proximité. Une fois que nous aurons obtenu ces informations, je recommanderai deux emplacements précis pour les nouvelles stations, ce qui permettra une répartition plus équilibrée et optimisée de la flotte. Préféreriez-vous que l'on se concentre sur les quartiers centraux (comme Le Plateau-Mont-Royal ou Ville-Marie), sur les arrondissements extérieurs ou sur l'optimisation à l'échelle de la ville? Si vous avez des priorités (demande des utilisateurs, connectivité, zones de croissance, etc.), faites-le moi savoir afin que les recommandations s'adaptent à votre stratégie. »]

Nitin Sharma : Nous disons d'aller comprendre Montréal, d'aller comprendre le nombre de cyclistes sans jamais avoir reçu de formation préalable à ce sujet et de formuler des recommandations. Ainsi, pour ces deux nouveaux sites, nous aurions pu nous demander où; se trouvent les plus grands débordements ou les plus grands groupes de trajets qui commencent ou se terminent. C'est génial. Il me donne les raisons pour lesquelles il va prendre ces décisions, et peut-être que je veux les connaître de manière très précise maintenant. Soyons précis. Obtenons trois coordonnées des lieux eux-mêmes.

[00:19:56 Nitin Sharma tape « Pour chaque quartier, proposez trois coordonnées où; de nouvelles stations Bixi auraient le plus grand impact sur la réduction de la charge des stations voisines » dans la boîte de clavardage et clique sur le bouton d'envoi].

Nitin Sharma : Donc, pour les différents quartiers, donnez-nous les coordonnées de l'endroit où; nous voulons ajouter ces emplacements Bixi.

[00:20:03 Une réponse longue est générée].

Nitin Sharma : Et nous pouvons voir par ici.

[00:20:08 Nitin Sharma clique sur l'un des exemples de requêtes de suivi, « Montrer les trois coordonnées les plus recommandées par quartier avec justification ».]

Nitin Sharma : Oui, alors montrez-moi les trois premiers recommandés en expliquant pourquoi vous nous donnez cette réponse.

Wendy Bullion-Winters : Ok, c'est vraiment génial, et si je voulais... donc, pour l'instant, il génère cela sur la base des données disponibles dans l'ensemble de données, mais si je voulais apporter des informations d'Internet? Par exemple, inclure dans votre évaluation les événements touristiques à venir pour la saison de l'été 2026.

[00:20:41 Une réponse est générée, qui se lit comme suit :
« Exemples de recommandations (partielles) par quartier :

Prochaines étapes : Recommandation fondée sur des données - Je vais analyser :

1. Ahuntsic - Cartierville :
   • 45,5464, -73,6384 (près du point le plus fréquenté)
   • 45,5507, -73,6564 (plaque tournante importante pour les déplacements, soulageant ainsi la pression exercée par les quartiers voisins)
   • 45,5568, -73,6672 (zone de connexion importante)
2. Le Plateau - Mont Royal :
   • 45,5242, -73,5816 (corridor d'accès au métro Mont-Royal)
   • 45,5194, -73,5868 (corridor résidentiel et nocturne dense)
   • 45,5152, -73,5751 (passerelle entre le Plateau et Ville-Marie)
3. Côte-des-Neiges – Notre-Dame-de-Grâce]
   • 45,4739, -73,6047 (zone d'afflux de navetteurs la plus élevée de NDG)
   • 45,5036, -73,6183 (proximité de l'université et de l'hôpital - trafic fréquent)
   • 45,4955, -73,6223 (central pour équilibrer les déplacements le long du corridor CDN) »

« Chaque point recommandé est actuellement un point de départ ou d'arrivée important - l'expansion à cet endroit offre un impact maximal pour soulager les stations voisines et améliorer l'accès global au réseau. Souhaitez-vous un tableau complet pour tous les quartiers, une carte de ces recommandations ou une justification pour une zone précise? »

Des exemples de messages de suivi sont également fournis :
« Afficher un tableau complet des recommandations pour tous les quartiers. »
« Cartographier l'emplacement des nouvelles stations Bixi recommandées. »
« Mettre l'accent sur la raison d'être des recommandations du Plateau et du Mont Royal. »
« Suggérer la taille optimale des stations pour chaque nouvel emplacement recommandé. »]

Nitin Sharma : C'est tout à fait possible, et c'est là que je dirais que la plupart des gens, lorsqu'on parle d'IA, ont peur de ce qui se passe sur Internet, de ce que je reçois comme données. La particularité de Nakisa Decision Intelligence est qu'elle n'envoie pas de données à moins que vous ne lui disiez qu'il s'agit de données acceptables, que vous pouvez les analyser, mais que vous pouvez toujours obtenir des données du monde réel pour votre analyse, et c'est ce qu'elle fait avec la réponse ici. Donc, trois recommandations par quartier, dans Ahuntsic-Cartierville et dans Mont-Royal et dans NDG, et la justification. Il s'agit donc de l'endroit le plus fréquenté du point de provenance. Celui-ci se trouve à proximité d'un grand centre de transport, alors que sur le Plateau, au Mont-Royal, le raisonnement est complètement différent, c'est à côté d'une entrée de métro très fréquentée, et nous ne lui avons pas dit qu'il s'agissait d'une zone de métro très fréquentée ou non, alors que dans celui-ci, il fait une recherche en ligne et voit beaucoup de restaurants, beaucoup d'activités nocturnes, un quartier résidentiel très dense.

Wendy Bullion-Winters : D'accord, c'est déjà le cas.

Nitin Sharma : C'est ce que l'agent a fait pour nous.

Wendy Bullion-Winters : C'est très intéressant. Il a donc déjà établi une corrélation entre la densité résidentielle, la proximité de la vie nocturne et la tendance de l'utilisation passée.

[00:22:21 Nitin Sharma clique sur « Cartographier l'emplacement des nouvelles stations Bixi recommandées. »]

Nitin Sharma : En effet.

Wendy Bullion-Winters : C'est impressionnant. D'accord. Comment pouvons-nous donc nous fier à ces données? Je sais que beaucoup de gens se disent : « Bon, d'accord, mais est-ce qu'il comprend vraiment mon environnement opérationnel? »

[00:22:35 Une réponse est générée, qui se lit comme suit :
« Voici une carte présentant les trois premiers emplacements recommandés pour les nouvelles stations Bixi dans chaque quartier, en fonction de l'endroit où; elles auraient le plus d'impact sur le réseau :

• Chaque marqueur indique une coordonnée sélectionnée, le quartier et la justification de la recommandation.
• Ces sites ont été choisis parce qu'il s'agit de zones à forte circulation, de liaisons importantes ou de lieux mal desservis où; la demande de déplacements est importante.

Souhaitez-vous que des recommandations soient formulées pour un plus grand nombre de quartiers, que des superpositions soient ajoutées, par exemple des stations existantes à des fins de comparaison, ou que l'on analyse l'impact probable sur l'encombrement des stations?]

Wendy Bullion-Winters : Ne s'agit-il pas d'une simplification excessive, voire d'une interprétation ou d'une représentation erronée des choses?

Nitin Sharma : Excellente question.

[00:22:45 Une carte des emplacements recommandés pour les nouvelles stations Bixi par quartier apparaît à droite de l'écran].

Nitin Sharma : Une chose que je vais vous montrer avant de revenir sur ce point, c'est qu'avec ces stations, je vous ai dit de les cartographier pour moi. J'ai même pu le visualiser sur une carte interactive. C'est là que je mentionnais que le flux agentif nous donnait une réponse textuelle, mais si nous voulons quelque chose de précis, il pourrait s'agir d'une visualisation, d'une visualisation différente, nous pourrions dire « donnez-moi la réponse sous forme de tableau que je vais exporter et emporter avec moi ».

[00:23:11 Nitin Sharma clique sur l'icône d'un point d'interrogation dans la boîte de clavardage et une nouvelle page Web apparaît avec un détail mathématique qui se lit comme suit : « Chaque requête forme des groupes par (quartier, latitude, longitude) - en traitant chaque lieu de départ unique comme un élément de son quartier. Pour chaque groupe, le nombre de déplacements à l'origine (trip_count) est calculé. Pour les trois requêtes similaires, les groupes sont classés au sein de chaque quartier par trip_count, et seuls les 3 premiers sont sélectionnés (c.-à-d. que pour chaque participation, les 3 éléments les plus importants sont retenus). La dernière requête calcule trip_count pour toutes les stations de départ de chaque quartier et les trie en fonction de cette valeur, présentant ainsi la distribution complète de la popularité des points de départ. »]

Nitin Sharma : Et en fin de compte, tout revient à cette explicabilité intégrée à chaque étape. C'est donc l'un des fondements de Nakisa Decision Intelligence : garantir la transparence, l'auditabilité, le fait qu'il s'agit de décisions gérées par des humains, qu'il s'agit d'un outil avec lequel vous devez interagir, faire du remue-méninges, exécuter ces scénarios de simulation à une vitesse et avec une profondeur qui étaient pratiquement impossibles auparavant, mais qu'en fin de compte, chaque étape du processus peut être expliquée et auditée, qu'il ne s'agit pas d'une boîte noire d'IA, et surtout lorsque vous rassemblez des données provenant de plusieurs points.

[00:23:52 Nitin Sharma clique sur le titre « Résumé » en haut de l'écran, et un résumé est généré : « Ces calculs nous indiquent quels sont les stations les plus utilisées dans chaque partie de la ville. Plus précisément, pour chaque quartier de la ville, ils mettent en évidence les trois principaux endroits d'où; partent le plus grand nombre de trajets à vélo. Le dernier résultat montre toutes les stations de chaque quartier et la fréquence d'utilisation de chacune d'entre elles par les usagers, sans se limiter aux trois premières. Ces informations sont précieuses pour comprendre quelles sont les zones où; l'activité cycliste est la plus intense et où; les services sont les plus demandés. »]

Nitin Sharma : Ici, nous tirons des données d'une source de données publiques sur les déplacements, les lieux et la fréquentation. Nous nous tournons vers l'avenir et nous nous demandons où;, géographiquement, nous pourrions placer les différents éléments. Nous l'invitons rechercher dans le Web des recommandations sur les raisons pour lesquelles ces solutions seraient judicieuses, les quartiers publics denses, le nombre élevé d'employés ou de personnes, ou encore les scénarios de vie nocturne animée.

[00:24:24 Nitin Sharma clique sur le titre « Explication technique » en haut de l'écran, et une explication technique est générée : « Les quatre requêtes analysent l'ensemble de données Bixi sur les déplacements à vélo. Elles regroupent les déplacements par quartier de départ et par coordonnées de la station (latitude, longitude). Pour chaque groupe, elles comptent le nombre de déplacements qui en sont originaires (trip_count). Les trois premières requêtes appliquent en outre une fonction de fenêtre ROW_NUMBER() partitionnée par quartier et trip_count décroissant pour classer les stations par popularité au sein de chaque quartier, et ne conservent que les 3 premières par quartier (en utilisant QUALIFY). La requête finale ne filtre pas les trois premiers résultats, mais fournit un comptage complet et un classement des stations de départ par trip_count pour chaque quartier. Tous les champs de sortie utilisent des noms lisibles par une personne comme quartier, latitude, longitude et trip_count »].

Nitin Sharma : Vous pouvez donc constater cette logique en cours de route.

Wendy Bullion-Winters : D'accord. Je poserai donc une question à ce sujet. D'où; vient l'information selon laquelle il y a une forte densité de population et une vie nocturne intense dans ce quartier?

[00:24:38 Nitin Sharma tape « Partagez avec moi l'URL et les sites Web sur lesquels vous avez basé vos recherches et vos recommandations » dans la boîte de clavardage et clique sur le bouton d'envoi].

Wendy Bullion-Winters : Peut-il indiquer où; il l'a trouvé? D'accord, les sites Web, exactement.

Nitin Sharma : Absolument, et nous avons de nombreuses organisations qui, grâce à Nakisa Decision Intelligence, prennent des décisions concernant leur personnel.

[00:24:58 Une réponse est générée, qui se lit comme suit : « Toutes les recommandations et la cartographie présentées ici sont générées directement à partir des données de déplacement Bixi de 2024 fournies et de l'analyse spatiale au sein de votre propre système. Aucun site Web ou URL externe n'a été utilisé pour la recherche - toutes les informations proviennent de votre ensemble de données interne et de l'analyse du réseau de stations. Si vous souhaitez comparer à des sources publiques ou aux meilleures pratiques d'autres villes, je me ferai un plaisir de vous recommander des sites Web, des études ou des outils de planification pertinents pour l'optimisation des vélos en libre-service. »]

Nitin Sharma : Donc, je suis directrice de produit pour la planification des effectifs et les ressources humaines, et beaucoup d'entre eux se demandent quel est l'impact sur nos effectifs et nos capacités futures. Quelles sont les compétences nécessaires à l'avenir ou quelles sont les compétences à venir? Ils l'utilisent donc pour consulter le Web et obtenir les différents liens dont ils ont besoin. Ainsi, dans ce cas, l'agent a indiqué qu'il disposait de ce qu'il fallait pour pouvoir recommander ces éléments dans sa source de données.

Wendy Bullion-Winters : À partir de la source de données, intéressant. Bon, passons à autre chose. Je voudrais parler, pour notre public et nos téléspectateurs, des applications dans le contexte du gouvernement du Canada, et je pense à cela du point de vue de la gestion des personnes, du point de vue de l'affectation des ressources humaines. Comment cet outil nous aide-t-il à interpréter l'affectation des effectifs et des ressources? Chaque organisation, qu'elle soit gouvernementale ou privée, fonctionne selon ses propres règles. Le gouvernement du Canada comporte de nombreuses règles pour gérer son personnel, les syndicats, les conventions collectives, les politiques d'effectifs, la classification. Comment NDI, Nakisa Decision Intelligence, prendrait-il en compte ce contexte au lieu de se contenter de formuler des recommandations qui ne nous conviendraient pas vraiment?

Nitin Sharma : Excellente question.

[00:26:29 Nitin Sharma clique sur l'icône du menu de navigation dans le coin supérieur droit et un petit menu apparaît. Il clique ensuite sur « Requêtes pour les ensembles de données - Créez et gérez des consignes pour les ensembles de données afin d'orienter les interactions et les analyses de l'IA. »]

Nitin Sharma : C'est ce que nous appelons les « requêtes pour les ensembles de données ».

[00:26:35 Une nouvelle page Web apparaît et Nitin Sharma clique sur « Choisissez un ensemble de données pour la gestion des requêtes ». Un petit menu apparaît avec une liste de différents ensembles de données, parmi lesquels il sélectionne « Données RH », et les requêtes de Données RH « Principes de conception », « Renseignements sur l'employé », « Portée du contrôle », « retraite », et « séparation » apparaissent].

Nitin Sharma : Ainsi, chaque organisation, comme vous l'avez mentionné, a des règles et des politiques qui régissent son fonctionnement. Ainsi, lorsque nous pensons à une main-d'œuvre, elle peut avoir des principes de conception, par exemple.

[00:26:49 Nitin Sharma clique sur l'icône d'édition à côté de « Principes de conception » et une nouvelle page Web apparaît avec une description qui se lit comme suit :

1. « Portée du contrôle (SOC) : Définit le nombre de personnes qui doivent être placées sous l'autorité directe d'un gestionnaire.

• Opérations / Services partagés : 5 à 9 personnes par gestionnaire
• Équipes de vente / en contact avec la clientèle : 10 à 15 personnes par gestionnaire
• R et D / équipes spécialisées : 3 à 12 personnes par gestionnaire
• Cadres supérieurs / dirigeants : 2 à 5 personnes par gestionnaire

Si un gestionnaire a moins ou plus que la fourchette cible, cela doit être signalé et justifié.

2. Profondeur de l'organisation (niveaux) : Définit le nombre de niveaux hiérarchiques qui doivent exister depuis le PDG ou le sommet de la structure jusqu'à la ligne de front.

• Maximum : 7 niveaux
• Cible : 5 niveaux

S'il y a plus de sept niveaux, la structure est trop bureaucratique et doit être revue.

3. Ratio cadres/employés : définit le pourcentage de cadres par rapport aux employés dans la main-d'œuvre.

• Dans l'ensemble de l'entreprise : 1 gestionnaire pour 8 à 12 employés
• Fonctions de soutien (RH, finances, services juridiques) : 1 gestionnaire pour 6 à 8 employés
• Opérations : 1 gestionnaire pour 12 à 15 employés

Si le ratio se situe en dehors de ces fourchettes, c'est un signe d'inefficacité.

4. Répartition de la main-d'œuvre : Quelle est la part de la main-d'œuvre qui devrait être affectée à la gestion ou à d'autres fonctions?

• Les cadres ne devraient pas représenter plus de 15 % de l'effectif total.
• Les cadres ne devraient pas représenter plus de 5 % du coût total de la main-d'œuvre.
• Au moins 20 % des employés devraient occuper des fonctions critiques ».]

Nitin Sharma : Il peut s'agir de l'étendue des contrôles, du nombre d'employés par rapport au nombre de cadres, des lois sur les syndicats qui doivent être prises en compte, de l'existence éventuelle de réglementations sur la profondeur, du nombre de niveaux de gestion autorisés ou de la répartition de la main-d'œuvre. Ce ne sont là que quelques exemples parmi les centaines de types de politiques du personnel que nous voyons, et celles-ci peuvent également, comme vous l'avez mentionné, être différentes d'une organisation fédérale à l'autre, et ce qui est très unique à propos de Nakisa Decision Intelligence, c'est que vous pouvez nous dire en termes clairs quelles sont ces politiques pour votre organisation. Ensuite, lorsque vous interagissez avec Nakisa Decision Intelligence, elle prend en compte tous ces éléments dans votre remue-méninges, dans vos scénarios de simulation, de sorte que les réponses que vous obtenez sont instantanément exploitables et personnalisées sur la base de ces, pour ainsi dire, lignes directrices que vous avez en tant qu'organisation sur la façon dont vous devez fonctionner.

Wendy Bullion-Winters : D'accord. Il s'agirait donc plus ou moins de le programmer en fonction de notre contexte et de nos paramètres. L'outil pourra ensuite s'en servir pour élaborer ses idées et ses recommandations.

Nitin Sharma : Vous pouvez lui demander des recommandations en général. Vous pouvez simplement demander, quelles sont vos recommandations selon la main-d'œuvre actuelle? Vous voulez des réponses qui tiennent compte de tous ces éléments. Vous ne voulez pas recevoir une réponse et réfléchir ensuite à ces questions. En clair, vous pouvez nous le faire savoir. De nombreuses organisations ont ces données dans un document qu'elles copient-collent. Et maintenant, tout d'un coup, la profondeur des informations que vous obtenez, la vitesse à laquelle vous obtenez des réponses qui tiennent compte de tout cela, c'est quelque chose qui, je pense, est la raison de cette directive du Canada visant à rapprocher l'intelligence artificielle du flux de travail quotidien des employés.

Wendy Bullion-Winters : En effet, d'accord. Bon, alors, pour résumer le tout, et je pense que c'est une dernière question, disons, pour revenir à l'exemple de Bixi, disons que je veux étendre les opérations de Bixi dans une toute nouvelle ville, par exemple, une ville dans les Cantons de l'Est, une région touristique comme la ville de Magog. Pouvez-vous nous indiquer le nombre de stations que nous devrions y installer? Pour l'instant, l'ensemble des données n'inclut rien de tout cela, donc il faudrait vraiment extrapoler, et je veux voir quels types de suggestions il ferait, et je veux avoir des informations sur la main-d'œuvre. De combien d'employés aurais-je besoin pour gérer ce bureau à Magog, cette expansion à Magog? Et quels sont les rôles ou les postes dont ce nouveau bureau de Magog aurait besoin?

[00:29:55 Nitin Sharma types « Nous voulons mener un projet pilote et étendre Bixi à une nouvelle ville. Nous allons nous installer dans la ville de Magog. Combien de stations recommanderiez-vous, où; devraient-elles être situées, et quelles fonctions du personnel de l'entreprise seront nécessaires pour soutenir ce projet de 6 mois sur site? » dans la boîte de clavardage et clique sur le bouton d'envoi].

Nitin Sharma : Eh bien, essayons-le. Supposons qu'il s'agisse d'un projet pilote, que nous prenions les données de Bixi Montréal et que nous les étendions à Magog. Comprenons ce qu'est une recommandation de stations. Et s'il s'agit d'un nouveau projet avec un calendrier de six mois, quels seraient les besoins en main-d'œuvre? Pour ce qui est de la main-d'œuvre, nous ne disposons pas de ces données dans l'ensemble de données. Vous avez donc tout à fait raison de dire qu'il va s'agir d'un cas d'utilisation très important pour équilibrer les données dont nous disposons et celles que nous n'avons pas, et maintenant que nous faisons des recherches sur une nouvelle ville, où; pourrions-nous obtenir des recommandations?

[00:30:39 Une réponse est générée, qui se lit comme suit :
« Excellente initiative - l'extension de Bixi à Magog nécessitera une planification minutieuse pour équilibrer la couverture, l'accessibilité et l'efficacité opérationnelle. Voici une approche stratégique, adaptée à un projet pilote de six mois :

1. Avec combien de stations devriez-vous commencer?

Pour une ville de taille moyenne comme Magog (26 000 habitants, avec des axes urbains et touristiques), le lancement d'un projet pilote selon les pratiques exemplaires :

8 à 14 stations

• Suffisamment pour assurer la diffusion du transfert modal et permettre une utilisation significative/tester les effets de réseau.
• L'extrémité inférieure (8-10) assure une concentration opérationnelle et un rééquilibrage plus facile : l'extrémité supérieure (12-14) assure une meilleure couverture et réduit les problèmes du « dernier kilomètre ».

Repères (autres projets pilotes canadiens, études de cas sur les vélos en libre-service de la NACTO) :

• Déploiements initiaux : 0,5 à 1 station pour 2 000 à 4 000 habitants dans le centre urbain
• Centre urbain de Magog : 15 000-18 000 résidents -> 8-10 stations; étendre à 12-14 avec des points chauds saisonniers/touristiques

2. Où; ces stations doivent-elles être installées?

Emplacement équilibré des stations (pour les projets pilotes à fort impact et riches en données) :

1. Centres de transit et principaux carrefours (près des arrêts de bus interurbains, des stations de taxis ou des principaux carrefours).
2. Sites touristiques et récréatifs : Parcs et plages du lac Memphrémagog.
3. Centre-ville : Rue Principale, commerces de détail, restaurants et bâtiments municipaux
4. Établissements d'enseignement et de santé : Écoles et principales cliniques/hôpitaux
5. Zones résidentielles denses : Appartements ou nouveaux développements de condominiums pour favoriser les déplacements des utilisateurs
6. Points de bordure/« dernier kilomètre » : Lier les quartiers périphériques à des centres communautaires actifs
7. Zones industrielles/parcs d'activités (le cas échéant) : Saisir les trajets domicile-travail

Exemples de recommandations de sites (de légers ajustements peuvent être nécessaires sur la base des données réelles du SIG/de la ville) :

• Rue Principale O (près des magasins du centre-ville)
• Place du Commerce (pôle commercial/café)
• Parc de la Pointe-Merry (grand parc au bord du lac)
• Gare routière de Magog (principal moyen de transport interurbain)
• Rue St-Patrice Est (communauté et condos)
• Près de l'Hôpital de Magog
• Plage des Cantons (lac/plage)
• Près de l'école secondaire La Ruche

3. Rôles requis du personnel de l'entreprise et du projet (projet pilote de 6 mois sur site)

Un projet pilote de cette envergure nécessite généralement ce qui suit :

Équipe centrale du projet

• Chef de projet / chef de chantier : Coordination générale du projet pilote, liaison entre les municipalités et les parties prenantes
• Responsable des opérations : Coordination des opérations au jour le jour, dotation en personnel, déplacement des ressources
• Superviseur logistique/rééquilibrage : Superviser le rééquilibrage des vélos et des stations, la logistique des camionnettes et des camions
• Responsable technique de terrain : Installation, entretien, remplacement des batteries (pour les vélos électriques)
• Représentant(s) du service clientèle : Assistance aux utilisateurs sur site et à distance, dépannage
• Coordinateur du marketing et de la sensibilisation : Favoriser l'adoption, gérer l'engagement de la communauté
• Analyste de données (PT ou à distance) : Contrôler les indicateurs clés de performance du pilote, les modèles d'utilisation et recommander des ajustements en temps réel.

Rôles de soutien (peuvent être centralisés ou gérés à distance) :

• RH/Recrutement (pour l'embauche/les sous-traitants)
• Finances/acquisition (contrats, gestion des fournisseurs)
• Assistance informatique/réseau (si les stations dépendent de l'infrastructure Internet)

Personnel de terrain/saisonnier :

• Installateurs de stations (montage/démontage)
• Vérificateurs/nettoyeurs de vélos saisonniers
• Mécaniciens vélo sur appel »]

Wendy Bullion-Winters : L'outil va puiser dans Internet des informations sur Magog et les intégrer dans ses recommandations.

Nitin Sharma : C'est tout à fait exact. Vous pouvez donc voir maintenant où; il se situe et son processus de réflexion pour équilibrer la couverture, l'accessibilité et l'efficacité opérationnelle, en regardant Magog en tant que ville, la taille de la population, et le nombre de recommandations de stations, où; la station devrait être située, et maintenant les zones principales comme les centres de transit, les intersections principales, les points chauds touristiques ou récréatifs, donc autour du lac Memphrémagog, le centre-ville, les institutions éducatives qui sont à proximité, et ensuite les recommandations actuelles qu'il a pour les différents arrêts, et pour chaque recommandation, pourquoi il fournit ces arrêts.

Wendy Bullion-Winters : Wow, et cela juste en cliquant sur un bouton. Ensuite, nous voyons, d'accord, un projet pilote de six mois sur site, les rôles requis pour le personnel de l'entreprise et du projet, c'est-à-dire le chef de projet, le responsable des opérations, la logistique, le responsable technique, le représentant du service à la clientèle. C'est génial. D'accord, et ensuite, quel est le tableau récapitulatif?

[00:32:02 Un tableau récapitulatif indique les fonctions de chaque membre du personnel, le nombre approximatif d'employés, sur place ou à distance, et des notes].

Wendy Bullion-Winters : Il indique donc les effectifs approximatifs pour chaque type de fonction.

Nitin Sharma : Tout est réuni. Et une fois que nous avons défini les six mois de présence sur le terrain, quels sont les sites recommandés pour la présence sur le terrain, et s'il n'y a pas une combinaison de sites hybrides ou distants.

Wendy Bullion-Winters : Ce que j'aime dans cet outil, c'est qu'il permet d'obtenir des informations à partir de n'importe quel ensemble de données. Il s'agit d'intégrer des informations provenant d'Internet. Vous pouvez fixer des garde-fous. Vous pouvez définir des principes de conception organisationnelle, des effectifs, une gouvernance, des politiques, une législation, des contraintes ou des barrières afin d'affiner ses connaissances dans votre propre contexte opérationnel. Puis, en cliquant sur un bouton, il le recompose avec des recommandations. Il propose également d'autres informations, comme des estimations budgétaires générées, la saisie d'informations salariales et l'obtention de données financières sur l'expansion de ce bureau pilote, ou encore l'affichage d'un exemple de plan du site avec les stations proposées. Quel gain de temps. Cette démonstration a été très, très intéressante. Merci beaucoup.

Nitin Sharma : C'est un plaisir, Wendy, et vous avez tout à fait raison de dire qu'en répondant aux questions que nous posons, il comprend notre raisonnement, construit sa mémoire de clavardage et propose toujours ces recommandations. Donc, si nous avons pensé à ce projet pilote, nous avons obtenu une recommandation, des recommandations pour les prochaines étapes. Souhaitons-nous détailler davantage un calendrier? Ou voulons-nous parler budget? Jusqu'à présent, nous n'avions pas parlé de coût. Mais si nous voulions mettre cela en œuvre, ce serait un composant essentiel à prendre en compte, bien sûr, donc juste un petit aperçu de ce qui est disponible et de la puissance de Nakisa Decision Intelligence.

Wendy Bullion-Winters : Merci beaucoup de vous joindre à nous aujourd'hui, Nitin Sharma de Nakisa, dans le cadre de la série Tech Demo de l'École de la fonction publique du Canada. Merci beaucoup.

Nitin Sharma : C'était un plaisir, Wendy, et je vous remercie de m'avoir accordé du temps et d'être ici aujourd'hui. Et si quelqu'un souhaite poursuivre la conversation et entrer en contact avec nous, j'en serais plus que ravie.

[00:34:22 Le logo de l'EFPC s'affiche à l'écran.]

[00:34:28 Le logo du gouvernement du Canada s'affiche à l'écran.]