Partie 1 : Recherches d'exploration
GIB 5.0
Le projet GIB 5.0 est développé par la société Big Five Tours & Expedition, une agence de voyage américaine spécialisée dans l’élaboration de voyages s’inscrivant dans le tourisme durable.
Les bénéficiaires de ce projet sont les habitants des pays en développement, qui pourront bénéficier de dons personnalisés, que leur région soit fréquentée par les touristes ou non.
Les utilisateurs sont les clients de l’agence Big Five, qui pourront non seulement se voir proposer à la fois un voyage personnalisé, qui correspondra à leurs envies, mais aussi un don qui pourrait entraîner une répercussion internationale et qui s’inscrirait dans une problématique qui leur tient à cœur.
Ce projet répond au besoin de ressources que subissent les habitants des pays en développement, et s’adresse surtout à ceux délaissés par les touristes.
En effet, les pays essuyant régulièrement des catastrophes naturelles ou des problématiques sociales complexes n’attirent pas le regard de touristes étrangers, et peinent donc à susciter leur soutien. L’algorithme GIB 5.0 propose donc de réaliser un don qui s’inscrirait dans une problématique plutôt que dans une localisation, et pourrait ainsi distribuer ces ressources à des pays moins en vue habituellement.Le projet utilise un processus de machine learning supervisé pour prendre en compte les préférences de l’utilisateur, ses remarques, et l’orienter ensuite sur un don en rapport avec une problématique à laquelle il est sensible. L’algorithme va ensuite explorer une libraire à la recherche d’un projet qui serait le plus compatible avec les attentes de l’utilisateur.
Sources :
How Big Five support sustainable tourism ?
Autres infos : La plateforme Big Five propose également une formule où l’utilisateur peut formuler un don qui reviendrait directement à des bénéficiaires de la région où il voyage, s’il le préfère. La répartition selon une problématique est donc optionnelle, et peut être additionnée ou non à une préférence de localisation.FlockEO
La compagnie qui développe le projet se nomme Murmuration, une récente start-up toulousaine. Son objectif est d’utiliser l’IA et le big data pour proposer une solution d’analyse environnementale ainsi qu’un panel d’indicateurs géographiques pour aider les entreprises à la prise de décision.
Les bénéficiaires du projet sont à la fois les particuliers qui auront accès aux données et pourront ainsi se rendre dans une zone ayant un faible score d’impact environnemental, mais aussi les entreprises du tourisme (club village, hôtels, stations de ski et balnéaires…) qui pourront obtenir de nombreux indicateurs concernant leur impact environnemental et se verront proposé des solutions et conseils afin de le réduire.
Les bénéficiaires sont donc également utilisateurs, tant les particuliers qui trouveront une destination en accord avec leurs valeurs environnementales, que les entreprises qui tenteront d’améliorer leur impact.
Cela répond avant tout à un besoin d’information, puisqu’il est difficile d’obtenir des informations claires sur des localisations précises lorsque l’on veut partir en voyage. Sont souvent disponibles des informations sur l’impact d’un pays, voire d’une ville, mais jamais à une échelle aussi précise que cet outil. Par ailleurs, les entreprises désireuses de travailler leur impact y voient, elles, une base de donnée très utile et une source de piste d’amélioration susceptible de les aider dans leur démarche.
Le projet répond donc à ces besoins, en transmettant les informations nécessaires à la prise de décision, que ce soit au niveau des particuliers ou des entreprises.
Les technologies impliquées dans ce processus sont l’imagerie satellite, que la société utilise pour récolter les données pour toutes les localisations, ainsi que la reconnaissance d’image, puisque la société étiquette chaque localisation avec les données qu’elle veut fournir (nom de la région/pays, indicateurs environnementaux, altitude etc.).
Sources :
Murmuration : comment rendre le tourisme plus durable grâce à l'imagerie satellite ?
Autres infos : La plateforme propose également de découvrir des agences de voyage locales, présentes au sein de la localisation désirée, et leur attribue un score d’implication dans le tourisme durable. Ainsi, s’il souhaite passer par une agence, le particulier peut la choisir en fonction de ce facteur.
BookDifferent
BookDifferent est une plateforme développée en 2012 par une société néerlandaise, affiliée à la plateforme Booking.com.
Les bénéficiaires de ce projet en sont également les utilisateurs, à savoir les touristes soucieux des problématiques durables qui souhaitent réserver un logement en accord avec leurs valeurs liées au développement durable.
La plateforme répond à un besoin pratique et informatif, à savoir trouver un établissement hôtelier en fonction non seulement de son prix, de son emplacement, mais en intégrant une nouvelle problématique à savoir son critère environnemental.
Ainsi, elle va étudier un certain nombre d’indicateurs prédéfinis, qu’elle combinera par la suite pour attribuer une note « critère vert » à l’établissement, qui sera révélateur de son impact environnemental.
Il s’agit alors d’aller récolter les données dans une librairie et de les combiner entre elles pour formuler la note. Celle-ci s’adapte par rapport aux hôtels concurrents, présents dans la même localité, et utilise donc le machine learning non-supervisé pour comparer les établissements sur un rayon précis et formuler un classement entre eux, afin de réaliser une étude de terrain et non une étude globale sur l’ensemble des établissements répertoriés, qui ne prendrait pas en compte les problématiques locales de chaque établissement.
Sources :
Les différentes plateformes de l'ecotourisme
BookDifferent, la plateforme de l'ecotourisme
Interrail
Interrail est une initiative développée par la SNCF qui a pour objectif d’élaborer des itinéraires de voyages à travers toute l’Europe via le réseau ferroviaire.
Le projet interrail propose alors à l’utilisateur de traverser plusieurs pays et de visiter les villes de son choix, en lui construisant un itinéraire en accord avec ses attentes, qu’il aura formulé au préalable sur le site (prix total, temps de trajet, distance min-max, villes préférentielles…). Une fois ces critères entrés par l’utilisateur, le site élabore de lui-même un itinéraire, puis en propose une série selon la popularité actuelle auprès des autres utilisateurs.
Il s’agit alors d’aller chercher les infos dans une librairie pour les restituer ensuite à l’utilisateur, en les combinant pour élaborer le trajet optimal en fonction de ses critères. La plateforme utilise également le machine learning, puisqu’elle prend en compte les préférences des utilisateurs précédents pour adapter le parcours de l’utilisateur à l’instant T, en fonction des tendances.
Sources :
Plan your trip with Interrail - Sustainable Tourism
Le Tourisme Durable, ça vous parle ? - Interrail
Boîte à idée pour voyageurs : Interrail
Partie 2 : Approfondissement
Le projet retenu pour la suite de cette étude est « FlockEO »
Ce projet est donc développé par la start-up indépendante Murmuration, et a trouvé ses financements grâce à des solutions de crowdfunding et des soutiens tels que la BPI, l’instance de l’union européenne EIT ou encore la région Occitanie. La société tire également beaucoup d’information et de données satellites grâce à l’Agence Spatiale Européenne, ou ESA.
La problématique qui régira cette étude sera la suivante :
Comment optimiser son impact environnemental en tant que professionnel du tourisme, et ainsi attirer une clientèle en accord avec ses principes ?
J’ai choisi ce projet car j’aime la double plus-value qu’il apporte. D’une part, il propose aux particuliers de connaître réellement l’impact de leur voyage, au niveau d’un établissement ou d’une petite zone, mais elle propose également des solutions et des pistes d’améliorations aux établissements qui seraient désireux d’améliorer leur impact. Cette dualité permet à chacun de s’améliorer, et de réduire l’impact des deux camps. De mon point de vue, on ne peut réellement progresser qu’en respectant ce principe : en voulant une amélioration de chaque partie, à tous les niveaux.
Scénario utilisateur
Notre problématique s’axe sur le parti des professionnels, désireux de connaître leur propre impact environnemental et de le réduire au maximum en considérant les indicateurs et pistes d’améliorations fournies par la plateforme. Nous allons donc nous concentrer sur ce type d’utilisateurs. Voici donc notre Persona. N’est-il pas absolument délicieux ?
Pierre, 55 ans, est responsable d'un complexe hôtelier à Saint-Amour, en Franche-Comté. Il habite dans habite dans une annexe du complexe au 22 rue Lamartine, 39160 Saint-Amour. Il est marié, n'a pas d'enfant, et touche environ 2500€ par mois en moyenne, même si le secteur de l'hôtellerie fait que son revenu est très variable selon la période.
Il adore sa région, la randonnée dans ses collines, la lecture, et se met petit à petit au jardinage. Il n’a plus rien à apprendre en terme de permaculture. Il aimerait faire rayonner son complexe sur tout le territoire, en lui donnant une exposition grand public, mais en se mettant à l’abri de tous ces urbains qui viennent saccager ses terres propres. Son complexe attire de moins en moins, surtout dans les périodes creuses du tourisme, et sa région n’est pas bien desservie par les transports, ce qui n’aide pas à faire venir du monde. Il n’a aucune idée de l’impact de son complexe sur l’environnement de sa belle région, et aimerait l’optimiser au maximum, non seulement par conviction personnelle, mais aussi pour attirer une clientèle qui partagerait ses valeurs.
Ses "features" proposés par la plateforme sont :
Key Features :
- connaître l'impact environnemental de son complexe
- obtenir des conseils et pistes d'améliorations pour l'optimiser
- suivre ses progrès en temps réel
Features secondaires :
- exposer son complexe sur la plateforme auprès d’une clientèle potentielle partageant ses valeurs
- déterminer l’impact des zones environnantes et des concurrents
- devenir à sont tour client et pouvoir prendre des vacances dans un lieu en accord avec ses valeurs
UX Storyboard
Analyse Technique
Il s’agit dans un premier temps de décrire grossièrement le fonctionnement de FlockEO. Tout d’abord, le site établi une carte du monde en distinguant des zones précises, et analyse différents indicateurs, fournis non seulement par l’Agence Spatiale Européenne, mais aussi par l’imagerie satellite qu’exploite la société. Ensuite, il attribue une « note » à chacune des zones grâce à ces indicateurs. Enfin, il répertorie les établissements présents dans la zone, et évalue leur impact à chacun. Les conseillers prodiguent ensuite des conseils personnalisés pour optimiser l’impact de chacune des entités. La plateforme adapte les notes de chaque établissement en prenant en compte la note des autres et en évaluant l’impact que chaque entité a sur la parcelle définie.
Il s’agit donc d’intelligence artificielle supervisé, puisque la machine dispose d’exemples au préalable pour adapter la note qu’elle attribue à chaque entité. C’est en comparant les résultats précédents qu’elle réussi à apposer une note à un établissement (ou complexe, station…). On connaît à l’avance la question que se pose la machine, et on la guide jusqu’à ce qu’elle trouve le résultat le plus optimisé possible.
Les données manipulées sont des images satellites, que la plateforme utilise pour faire la découpe des parcelles, ainsi que les variables fournies par l’analyse de ces images et par la base de donnée de l’Agence Spatiale Européenne, qu’elle utilise pour attribuer la note.
Il s’agit d’un modèle de classification, puisque la machine analyse les images transmises au fur et à mesure par l’imagerie satellite pour affiner son pourcentage de confiance sur le taux de pollution observé.
La machine utilise deux datasets : d’une part, la banque d’image fournie par l’imagerie satellite, qu’elle va confronter régulièrement pour reconnaître la pollution, et d’autre part la base de donnée de l’Agence Spatiale Européenne, qui lui fournit des exemples de parcelles saturées de pollution et de parcelle pure, afin qu’elle apprenne à faire la différence entre les deux. Les données sont donc étiquetées, puisqu’on indique à la machine quelles exemples sont très impactés et lesquels ne le sont pas.
La plateforme utilise un algorithme de séquence, puisque les actions sont effectuées les unes après les autres, sans conditions. L’algorithme analyse dans un premier temps l’imagerie, pour découper la zone et obtenir les premières informations sur l’impact environnemental, puis prend en compte les données de la database, puis compare son résultat intermédiaire avec les différentes entités de la parcelle pour enfin délivrer le résultat final avec un certain taux de confiance.
Ainsi, grâce à l’intelligence artificielle, la machine sait reconnaître des parcelles avec un impact écologique négatif ou positif, et peut ainsi délivrer un résultat à l’utilisateur qui adaptera son développement et prendra en compte les conseils donnés pour s’améliorer. Il pourra ensuite suivre ses progrès grâce à cette même plateforme.