Membres de l’équipe
Chloe Abbruzzese, Cynthia Lam, Dhwani Patel, Harjot Grewal, Samira Fairuz Ahmed, Yllka Bojku
Sommaire
SafeT.First exploite la puissance des modèles d’apprentissage automatique et des données historiques sur la criminalité pour offrir aux piétons de Toronto des itinéraires plus sûrs afin d’assurer leur tranquillité d’esprit à chaque trajet!
Mots-clés
Données sur la criminalité, navette domicile-travail, agrégation, sécurité renforcée, API Google Maps, agrégation k-NN, apprentissage automatique, indicateurs de crimes majeurs, technologie de sécurité personnelle, sécurité des piétons, sécurité prédictive, sécurité routière, données en temps réel, programmation d’itinéraires, score de sécurité, itinéraire le plus sûr, marche sécuritaire, Toronto
Inspiration
Dans un monde où la sûreté et la sécurité sont des préoccupations majeures, savoir ce qui nous attend sur notre chemin n’est pas seulement utile, mais nécessaire. Toutes les femmes qui retournent chez elles à pied tard le soir, que ce soit après un cours, à la fin d’une longue journée de travail ou lors d’un voyage dans une ville étrangère, partagent la même expérience : dans tous les cas, elles doivent demeurer vigilantes. Il est triste de constater que les femmes se retrouvent souvent dans des situations où leur sécurité personnelle devient une préoccupation majeure.
« On peut regarder trop souvent par-dessus son épaule, s’obliger à porter un seul écouteur lorsqu’on sort ou encore informer ses amis et sa famille de l’endroit où l’on se trouve par texto ou géolocalisation en direct... Tout cela parce qu’on ne sait jamais ce qui peut se produire. C’est la triste et effrayante réalité à laquelle moi et tant d’autres sommes confrontées chaque jour lors de nos déplacements. C’est pourquoi l’objectif de ce projet me passionne, tout comme ses possibilités de prendre un essor fulgurant. »
– Chloe Abbruzzese
« À l’époque où j’étais une étudiante un peu fauchée, je me souviens très bien d’avoir dépensé mes maigres fonds pour prendre un taxi un soir d’hiver après un laboratoire éreintant. Mon inquiétude pour ma sécurité l’emportait sur la valeur de cet argent. »
– Harjot Grewal
Comme l’illustrent les histoires ci-dessus, les solutions auxquelles la plupart des femmes ont recours ne sont pas garantes de commodité ou de liberté. Ces solutions consistent notamment à suivre des cours d’autodéfense, à serrer des clés entre leurs doigts, à ne pas utiliser d’écouteurs, à rester très attentives à leur environnement et, parfois, à éviter complètement certains itinéraires. Ces précautions, bien qu’importantes, ne devraient pas être la seule ligne de défense dans un monde moderne et technologique.
Contexte du projet
Les inquiétudes pour la sécurité des piétons, hommes et femmes, sont alimentées par de nombreux reportages qui traitent des agressions et des accidents dans les espaces publics ainsi que de l’insuffisance des mesures mises en place pour assurer la sécurité des gens. Ces articles mettent en évidence les défis constants des individus qui se déplacent dans les milieux urbains. La fréquence des incidents souligne la nécessité et l’urgence de trouver des solutions globales qui donnent la priorité à la sécurité et au bien-être de tous les piétons. La figure de droite montre les principaux indicateurs de la criminalité à Toronto.
À une époque où la technologie permet de prédire quand il est préférable d’éviter un itinéraire en voiture en raison de la circulation, d’accidents ou de conditions météorologiques défavorables, il est surprenant qu’il n’y ait pas de solutions facilement accessibles pour favoriser la sécurité des gens lorsqu’ils marchent. Pourtant, nous pouvons appeler un véhicule de covoiturage en quelques clics sur nos téléphones intelligents, commander facilement de la nourriture dans nos restaurants préférés et faire livrer des colis à notre porte en quelques heures, tout en profitant de la sécurité que ces services fournissent.
Il est grand temps que la technologie s’attaque au problème critique de la sécurité personnelle lors des trajets à pied. SafeT.First répond à ce besoin. Cette application révolutionnaire utilise des algorithmes de pointe et des données en temps réel pour prédire la sécurité de l’itinéraire à pied que vous avez choisi. Cet outil reconnaît l’importance de votre sécurité, mais il respecte également votre horaire et votre droit à vous déplacer librement.
Avec SafeT.First, vous pouvez poursuivre vos activités quotidiennes en toute confiance, qu’il s’agisse d’assister à des cours tard le soir, d’explorer des villes étrangères ou simplement de profiter d’une promenade paisible dans votre quartier sans ployer constamment sous le fardeau de la peur. Nous croyons que la technologie doit vous permettre de prendre le contrôle de votre sécurité personnelle, tout comme elle vous permet de prendre en charge de nombreux autres aspects de votre vie.
Votre sécurité et votre tranquillité d’esprit sont au cœur de notre mission. Nous comprenons les défis uniques des piétons, et nous nous engageons à fournir une solution qui permet non seulement de repérer les risques, mais aussi d’offrir des itinéraires de rechange et un accès à une communauté d’utilisateurs comme vous qui partagent des renseignements et des conseils de sécurité.
Technologies utilisées
Dorsales : Google Colab, Python, Pandas, Numpy, Scipy, Pickle, Geopy, K-Means, K Nearest Neighbors, K Neighbors Classifier, Random (données sur les lampadaires), fonction de calcul du score de sécurité, Google Maps API, Polyline, gmplot
Frontales : Figma, HTML, CSS, Javascript, Procreate App (logo), Google Slides (présentation)
Description détaillée du projet
À quoi sert l’application?
SafeT.First est une application novatrice qui essaie de répondre aux préoccupations courantes liées à l’insécurité que les gens ressentent lors de déplacements à pied, en particulier tard le soir ou dans des zones perçues comme potentiellement risquées. L’objectif principal de l’application est d’aider l’utilisateur à choisir l’itinéraire le plus sûr pour ses déplacements. Ainsi, grâce à cette application, les personnes qui font la navette entre deux endroits ou qui visitent une ville peuvent se déplacer dans les rues en toute sécurité et en toute quiétude, en réduisant considérablement la probabilité d’accidents ou d’autres aléas. L’application utilise des algorithmes d’apprentissage automatique et l’API de Google Maps pour recommander à l’utilisateur les itinéraires les plus sûrs et lui fournir des indications précises.
Comment fonctionne-t-elle?
Lorsqu’une personne ouvre l’application, elle est invitée à entrer son point de départ et sa destination. En fonction des données auxquelles elle a accès, l’application recommande les itinéraires les plus sûrs. Fondées sur des renseignements provenant de divers ensembles de données, ces recommandations renseignent les utilisateurs sur les crimes passés, les dangers potentiels, la longueur et l’altitude de chaque itinéraire, ce qui leur permet de choisir leur itinéraire en toute connaissance de cause. Pendant leur trajet, les utilisateurs ont la possibilité d’appeler des services d’aide téléphonique en cas d’urgence ou s’ils ne se sentent pas en sécurité.
Nous avons utilisé des bibliothèques Python pour l’apprentissage automatique afin d’effectuer le prétraitement et l’analyse des données, puis d’entraîner les modèles à recommander des itinéraires sûrs. En outre, nous avons utilisé l’API de Google Maps pour établir des itinéraires qui sont efficaces, tout en accordant la priorité à la sécurité.
Utilisation de l’apprentissage automatique
L’utilisation de l’algorithme des K plus proches voisins (k-NN pour k-nearest-neighbors) pour cartographier les incidents criminels à proximité d’un point centroïde dans un lieu ciblé et calculer un score de sécurité combiné est un excellent cas d’utilisation de l’apprentissage automatique. Le projet comprend une approche basée sur la proximité et une prise de décision en temps réel. L’algorithme k-NN est bien adapté aux tâches basées sur la proximité où le résultat d’une requête est influencé par la proximité de ses voisins. Dans le cas qui nous intéresse, les incidents criminels et les scores de sécurité du quartier visé affectent directement l’évaluation de la sécurité. L’un des objectifs du projet est d’intégrer des données en temps réel sur la criminalité afin d’influencer les scores de sécurité, ce que permet l’algorithme k-NN en fournissant des renseignements en temps réel sur les conditions de sécurité. Au fur et à mesure que les incidents criminels sont signalés et mis à jour, l’algorithme k-NN peut rapidement ajuster ses évaluations, ce qui le rend idéal pour les applications nécessitant des renseignements dynamiques et actualisés. Les modèles d’apprentissage automatique peuvent être utilisés pour l’analyse exploratoire des données afin de repérer, dans les incidents criminels et les scores de sécurité, des modèles et des tendances qui ne sont pas immédiatement apparents. En outre, ils peuvent être adaptés à des zones géographiques et à des lieux plus vastes, ce qui permet d’étendre la couverture de l’application à d’autres villes ou régions. Enfin, l’utilisation d’algorithmes d’apprentissage automatique pour l’évaluation de la sécurité permet aux utilisateurs de disposer de renseignements exploitables. Ils peuvent ainsi prendre des décisions éclairées quant à leurs itinéraires et leurs plans de voyage, ce qui renforce leur sécurité et leur confiance.
Ensembles de données
Nous avons utilisé les données de la base de données des services de police de Toronto et intégré différents types de crimes, dont les collisions avec des piétons, les vols, les homicides, les agressions et les vols importants. Dans certains cas, les données remontent jusqu’en 2004. C’est pourquoi nous avons choisi de n’inclure que les données des 10 années précédentes.
En ce qui a trait aux scores de gravité compris dans notre calcul de sécurité, nous avons utilisé un article publié en 2019 et intitulé « Route-The Safe: A Robust Model for Safest Route Prediction Using Crime and Accidental Data » pour sélectionner les scores arbitraires pour chaque crime, et les avons inclus dans notre base de données finale.
Quel trajet vous permettra de vous sentir plus en sécurité?
Les lampadaires vous permettent de vous sentir plus en sécurité lorsque vous marchez la nuit, car ils éclairent le chemin, contribuent à prévenir les accidents, dissuadent les importuns et, de manière générale, vous donnent un sentiment de sécurité. Pour notre projet, nous avons utilisé des données simulées sur l’éclairage public. L’utilisation de données simulées présente plusieurs avantages, en particulier lorsque les données publiques officielles ne sont pas facilement accessibles. Dans ce cas, les données simulées ont été générées à l’aide de générateurs aléatoires Python afin d’obtenir les géolocalisations des lampadaires dans la région du centre-ville de Toronto. Les données simulées fournissent une preuve de concept et une flexibilité des données. Elles accélèrent le développement des applications. Néanmoins, il est essentiel de faire preuve de transparence sur la nature simulée des données afin de maintenir la confiance et la crédibilité, ainsi que de planifier une transition vers des données réelles lorsqu’elles seront disponibles.
Impact et innovation
Concurrents
Concurrent n° 1 : CRIMEMAPPING.com
Cette application nous a beaucoup inspirées, à commencer par l’exemple de la carte et l’interactivité qu’elle offre. L’amplitude du zoom et la facilité de défilement permettent aux utilisateurs de rechercher rapidement les délits dans les zones environnantes. Nous n’avons pas aimé l’imprécision et le manque de convivialité de la plateforme elle-même en ce qui a trait à la sensibilisation à la criminalité. Lorsque nous avons effectué des recherches dans différents endroits de Toronto, où nous avons concentré notre projet, nous n’avons trouvé aucun résultat pour les nombreux délits répertoriés sur le site. En fait, aucune donnée concernant la région de Toronto n’a été affichée. Le site affiche des messages indiquant qu’il manque de données, ce qui est tout à fait compréhensible, mais comme Toronto était notre principal centre d’intérêt, nous nous sommes servis de ce site comme d’un tremplin pour l’améliorer. Nous avons également déploré le manque de convivialité du site, qui n’est pas adapté aux appareils mobiles, que ce soit sous forme de site Web compatible ou d’application (l’application n’existe pas). Nous pensons qu’une application de sécurité routière devrait être accessible sur toutes les plateformes pour que les personnes de n’importe quel groupe d’âge ou niveau de compétence technique puissent l’utiliser facilement. Toutefois, ce site, qui aborde la question de la création d’un trajet sûr dans la partie sur la cartographie et la représentation graphique des données sur la criminalité, ne met pas ces données en œuvre pour produire un trajet plus sûr grâce à la programmation d’itinéraires.
Concurrent n° 2 : WalkSafe
L’application WalkSafe était de loin le concurrent qui se rapprochait le plus de notre idée pour SafeT.First. Elle partage notre objectif de créer un trajet sûr. Cependant, nous pensons que la prise en compte des données sur l’éclairage public et sur la criminalité fournies par les services de police de Toronto rend notre application plus avantageuse pour tous les Torontois et Torontoises. L’hypothèse de base reste valable dans le cas où l’application serait étendue à d’autres grandes villes et à de petites zones rurales; les données publiques sur la criminalité de ces municipalités seraient alors utilisées. Nous avons également trouvé que WalkSafe n’encourageait pas l’accès multiplateforme. L’application dispose d’un excellent site Web, mais elle se concentre principalement sur l’expérience des utilisateurs mobiles. Selon nous, le plus grand inconvénient est le caractère injuste de la fonction WalkSafe Pro qui n’est pas vraiment une fonction, mais plutôt la façon d’accéder à l’application. Un plan de base pour un groupe comptant 10 personnes au maximum coûte environ 45 $ par mois. Ce n’est qu’en achetant cet abonnement que l’on peut profiter de cette solution et obtenir un trajet sûr, mais à notre avis, la sécurité ne devrait pas avoir de coût. De plus, en raison de cette fonction de paiement, il n’a pas été possible d’effectuer de tests adéquats. Cet exemple a renforcé notre conviction initiale de créer une plateforme entièrement gratuite. L’idée que la sécurité devrait être accessible à tous ceux et celles qui le souhaitent sera un objectif que nous nous efforcerons d’atteindre, car la sécurité ne devrait pas coûter un sou.
Concurrent n° 3 : Spot Crime
La carte de Spot Crime est la troisième et dernière pièce de notre inspiration pour SafeT.First. Bien que l’aspect de la carte semble dépassé, les icônes placées aux intersections appropriées avec un symbole particulier par crime et une description dans une zone texte correspondaient exactement à ce que nous avions imaginé. Bien que chaque crime soit lié au rapport source, ce qui est très positif, cette carte n’affiche que les crimes commis depuis 2023. Cela peut sembler pratique, mais nous pensons qu’il est essentiel de conserver l’historique de la criminalité pendant quelques années avant de retirer les incidents de la carte. Nous souhaitons également conserver des épingles de tous les crimes majeurs d’une zone donnée, peu importe à quel moment ils se sont produits. SafeT.First continuerait à utiliser un modèle d’apprentissage automatique afin de se servir des données recueillies sur la criminalité pour créer des points chauds dans les zones et quartiers en fonction du degré d’insécurité que nous leur attribuons. Il s’agit là d’idées supplémentaires que nous aimerions mettre en œuvre par rapport à un modèle de base comme Spot Crime. En plus de préciser les coordonnées du crime pour plus d’exactitude, l’ajout d’une fonction d’aide de la communauté prendrait la forme d’un clavardage en direct où les utilisateurs pourraient mettre à jour les crimes en temps réel afin que d’autres puissent prendre les précautions nécessaires. Pour l’essentiel, ce concurrent a semblé le plus efficace en ce qui concerne la représentation graphique des données récentes relatives à la criminalité et son interactivité, même s’il n’est accessible qu’avec un navigateur, qu’il n’affiche pas d’itinéraires et qu’il ne propose que peu de fonctionnalités.
Chacun de ces concurrents a servi d’inspiration pour certaines parties de notre projet, et nous avons utilisé chaque approche inventive au profit de notre idée finale.
Notre solution unique
Notre solution est unique parce que nous nous concentrons sur l’intégration de données réelles sur la criminalité provenant du service de police de Toronto afin d’identifier et de localiser les endroits où des crimes réels ont été signalés récemment. Grâce à ces données sur la criminalité, nous visons à créer des points chauds par quartier ou par zone en fonction du nombre de délits qui s’y sont produits, de la date à laquelle ils ont été commis et de leur gravité. L’affichage sur la carte d’une échelle de sécurité avec un code couleur donnera à la population et aux touristes, qui n’utilisent peut-être pas la plateforme pour planifier des itinéraires sûrs, une idée des zones où il est plus prudent de s’aventurer. Outre les données policières actualisées sur la criminalité, nous souhaitons intégrer les données relatives à l’éclairage public d’une zone, car c’est généralement aux heures les plus sombres que les gens craignent le plus pour leur sécurité. Ces renseignements supplémentaires seront pris en compte dans les statistiques relatives à la sécurité globale d’un itinéraire ou d’une zone. En ce qui concerne la planification d’itinéraires sûrs, cette autre partie essentielle de notre projet vise à ajouter une fonction cartographique, telle que Google Maps qui présente des trajets rapides, mais SafeT.First proposera différents itinéraires qui tiennent davantage compte de la sécurité des gens. Nous pensons que cela nous différencie vraiment de toutes les autres plateformes, parce qu’avec les données des services de police, la représentation graphique de la criminalité et la fonction d’itinéraire, nous combinons tous les renseignements nécessaires pour se déplacer en toute sécurité.
Préjudices potentiels
Bien que notre projet vise à accroître la sécurité de la société, nous reconnaissons qu’en utilisant l’IA, il est impossible d’aspirer à la perfection. L’utilisation de l’IA pour créer des points chauds et leur attribuer un niveau de dangerosité en fonction de la quantité et de la gravité des crimes commis dans le passé signifie que nos prédictions peuvent être biaisées ou ne pas être totalement exactes en raison de la quantité et de l’exactitude des données sur la criminalité que nous choisissons d’inclure.
Un autre préjudice peut survenir lorsque les gens choisissent de se fier uniquement à notre application sans faire preuve de jugement. Cela peut se produire si une personne ne tient pas compte de ce qui se trouve concrètement autour d’elle et des conseils de sécurité de notre application. Pour contourner ce problème, l’écran d’accueil de notre maquette d’application mobile diffuse un message énonçant que l’utilisateur doit utiliser l’application à son entière discrétion et rester attentif à son environnement. Avant d’utiliser l’application, tous les utilisateurs doivent lire et accepter ce message, qui leur rappelle que leur sécurité est une priorité absolue. Dans l’ensemble, nous pensons que notre outil devrait être utilisé pour accéder à davantage de renseignements permettant de prendre des décisions éclairées en matière de déplacements, mais qu’il n’est pas entièrement fiable en raison de son imprévisibilité. Dans le pire des cas, le problème réside dans le fait qu’il s’agit d’une responsabilité pour nous et d’un danger pour l’utilisateur.
Le signalement des délits à partir des données de la police et d’un outil de clavardage en direct peut également être préjudiciable puisque certaines personnes pourraient l’utiliser à mauvais escient pour diffuser de l’information erronée et nuire à autrui. Dans ce cas, nous pensons qu’une méthode de censure et de vérification devrait être mise en place, mais l’idée de départ reste la même : quoi qu’il arrive, les suggestions de notre plateforme doivent être considérées comme des renseignements supplémentaires relatifs aux mesures de sécurité, et non comme un guide.
Défis et solutions
Disponibilité des données
Ce projet a posé de nombreux défis, mais notre équipe les a surmontés haut la main. Tout d’abord, nous voulions fournir à nos utilisateurs des données sur les lampadaires afin qu’ils puissent savoir lesquels sont en panne et éviter ainsi les zones faiblement éclairées. Comme nous manquions de données publiques à ce sujet, nous avons temporairement simulé des lampadaires en créant un ensemble de données générées de manière aléatoire pour indiquer leur état de fonctionnement sur la carte. C’était un bon exercice en vue de notre croissance, et nous l’avons intégré à notre calcul du score de sécurité comme un paramètre fictif jusqu’à ce que nous ayons accès à plus de renseignements. Cependant, en raison des contraintes de temps, nous n’avons pas pu accéder à des données réelles.
Gestion du temps
En raison des contraintes de temps, nous n’avons pas été en mesure de développer un prototype d’application pour le projet, car il y avait trop de choses à faire et trop peu de temps pour l’entraînement et la mise en œuvre. Nous avons dû décider si l’objectif final de ce projet était d’en faire une plateforme à part entière ou une extension d’une application existante telle que Google Maps. Nous avons décidé de présenter notre idée sous la forme d’une plateforme indépendante, avec une maquette du site Web et de l’application, qui pourra toujours être modifiée. De plus, le temps limité dont nous disposions a eu une incidence sur la présentation de notre projet. Notre assistante technique nous a aidées à coder un site Web approprié en HTML, mais inévitablement incomplet, de sorte que nous avons dû nous contenter de maquettes sur Figma pour présenter notre projet. La dernière difficulté liée au temps a été qu’une fois lancées dans le projet, nous nous sommes concentrées sur les personnes qui font la navette à pied, alors que nous aimerions nous adresser à tous les types de navetteurs.
Puissance de traitement
Notre plus grand défi était le manque de ressources. Les mégadonnées nécessitent une grande puissance de calcul, et nous étions limitées par les contraintes de Google Colab. Avec l’accès à des ressources de calcul plus importantes et un financement adéquat, nous serons en mesure de développer une version plus puissante du projet. Dans l’ensemble, l’équipe de SafeT.First a su relever tous les défis qui se présentaient à elle et a terminé en beauté en remportant le prix Accélérateur 2023 à Toronto.
Leçons apprises et réalisations dont nous sommes fières
Cours et conférences
Au cours des premières semaines, les cours, tutoriels et conférences du programme AI4Good Lab nous ont permis d’obtenir l’information et les ressources nécessaires à notre projet. Nous avons appris les bases de l’apprentissage automatique en suivant un cours accéléré sur différents algorithmes et la manière de choisir le meilleur pour notre projet. Les conférencières et conférenciers ont abordé une variété de sujets, nous apprenant à gérer des projets, à toujours faire attention aux répercussions de nos actions et à tenir compte des considérations éthiques nécessaires à l’adoption d’une IA responsable.
Hackathon
Pendant le mini-hackathon, nous nous sommes entraînées à créer et à présenter des solutions. Nous avons travaillé avec des ensembles de données propres pour nous familiariser avec les étapes toujours importantes du prétraitement des données ainsi qu’avec les bibliothèques Python telles que NumPy, Sklearn, Pandas et Seaborn qui nous ont permis de mettre en œuvre la solution de notre projet.
Projet
Nous avons beaucoup appris au cours des semaines consacrées au projet qui se sont déroulées à un rythme effréné. Notre mentore, Tahniat Khan, nous a donné un aperçu honnête de la gestion d’un projet d’IA du début à la fin. Avec son aide, nous sommes restées extrêmement organisées, en suivant nos tâches et leurs dépendances, en attribuant des rôles au sein de l’équipe, en maintenant un flux de travail fluide et en fixant des délais raisonnables.
Nous avons appris à collaborer avec des coéquipières issues de formations différentes, ayant des niveaux d’expérience différents et se trouvant à des étapes différentes de leur vie. Les semaines consacrées au développement du projet nous ont appris à faire des compromis et à nous unir pour mener à bien un projet extraordinaire dont nous sommes extrêmement fières.
Sur le plan personnel, nous avons compris que nous ne sommes pas toujours prêtes pour la tâche à accomplir, mais que c’est plutôt la tâche elle-même qui nous prépare. Le laboratoire nous a appris à nous lancer et à faire le premier pas. C’est avec fierté et reconnaissance que nous pensons à tous les membres du laboratoire qui ont créé un espace sûr pour nous permettre de faire ce premier pas. Plus important encore, nous sommes reparties avec l’idée qu’en tant que femmes dans les STIM, nous avons tout ce qu’il faut, nous sommes capables et nous n’accepterons pas qu’on nous dise non.
Prochaines étapes
La prochaine étape de notre projet consiste à affiner notre modèle d’apprentissage automatique afin de pouvoir recommander des itinéraires plus sûrs avec une plus grande précision. Pour y arriver, il nous faudrait davantage de données provenant de différentes sources, telles que celles de la Ville de Toronto. Actuellement, notre prototype consiste en un modèle Figma interactif qui montre à quoi ressembleraient l’application et le site Web. Avec un peu plus de temps, nous pourrions mettre en œuvre les fonctionnalités de notre outil dans une application opérationnelle, améliorer l’interface utilisateur et intégrer des services tiers, tels que les services d’assistance téléphonique d’urgence, afin de fournir une aide immédiate. Nous aimerions que notre application fasse partie de la vie quotidienne de tous les nouveaux arrivants. Malheureusement, les membres de notre équipe vont suivre des voies différentes (poursuivre leurs études, mener des recherches et reprendre leur travail à plein temps) et ont pris la décision de ne pas poursuivre la réalisation de l’application pour l’instant. Cependant, les leçons apprises et les liens créés resteront toujours avec nous et nous sommes ouvertes à reprendre contact éventuellement pour réaliser ce projet.
Remerciements
Merci à AI4Good Lab
Nous tenons à remercier AI4Good Lab d’avoir servi de tremplin à SafeT.First. Le programme de formation de sept semaines nous a donné accès à une panoplie de cours et d’ateliers sur l’apprentissage automatique et l’intelligence artificielle qui nous ont permis d’acquérir les connaissances et les compétences nécessaires pour donner vie à ce projet.
Un grand merci aux coordonnatrices et coordonnateurs du programme et à toute l’équipe d’AI4Good, ainsi qu’aux fantastiques conférencières et conférenciers qui ont partagé leur sagesse et leurs idées avec nous. Vous avez été le moteur de la réussite de notre projet.
Nous ne pouvons pas oublier notre mentore, Tahniat Khan, et notre assistante technique, Yanan Wang, qui nous ont guidées dans le monde de l’apprentissage automatique et de l’intelligence artificielle. Votre rôle a été des plus précieux.
SafeT.First a pu voir le jour grâce au programme AI4Good Lab, qui nous a fourni les outils et les connaissances dont nous avions besoin. Nous vous remercions de votre soutien et de votre participation à notre aventure.