São Paulo vient d’intégrer un groupe restreint de villes brésiliennes où l’intelligence artificielle contrôle, concrètement, le rythme de la circulation. Donc, si vous avez traversé une intersection dans la capitale paulista ces dernières semaines et avez eu l’impression que le feu était différent, ce n’était pas une illusion. C’était Google.
Le projet s’appelle Green Light. Il utilise l’apprentissage automatique pour analyser les schémas de circulation et proposer des ajustements dans la temporisation des feux de signalisation. En partenariat avec la CET (Companhia de Engenharia de Tráfego) et la Prodam (Entreprise de Technologies de l’Information de SP), le système est déjà actif sur des carrefours de la ville.
La logique qui sous-tend le projet est simple : des feux mal calibrés provoquent des arrêts inutiles. Ces arrêts augmentent la consommation de carburant, accroissent les émissions de CO2 et bloquent le flux urbain. Ainsi, en optimisant la temporisation, Green Light s’attaque au problème à la racine.
Pourquoi São Paulo est un cas technique intéressant
Avant d’entrer dans les détails de l’implémentation, il convient de comprendre le défi. São Paulo n’est pas une ville ordinaire pour ce type d’expérience.
Le réseau routier paulistano est vaste, chaotique et interdépendant. De plus, les schémas de trafic varient de manière drastique selon l’heure, le jour de la semaine, le quartier et même selon l’événement. Tout modèle d’optimisation doit gérer cette variabilité de manière continue.
C’est exactement là que l’apprentissage automatique se distingue des approches traditionnelles. Plutôt que de dépendre de règles fixes programmées manuellement, le système apprend à partir des données historiques et ajuste les suggestions au fur et à mesure que les modèles évoluent. Ainsi, il s’adapte au comportement réel de la ville, et non à un scénario idéalisé.
Comment le système fonctionne en pratique
Green Light n’assume pas le contrôle direct des feux. C’est un détail technique important.
Ce qu’il fait, c’est générer des recommandations de temporisation. Ces suggestions passent par l’équipe technique de la CET, qui les évalue, les approuve et met en œuvre les changements. Il existe donc une couche humaine dans la boucle de décision, ce qui est pertinent tant d’un point de vue opérationnel que réglementaire.
Selon les données divulguées par Google, les villes ayant déjà adopté le projet ont enregistré une réduction potentielle de 30 % des arrêts de véhicules. À São Paulo, les résultats initiaux indiquent environ 10 %. Le chiffre peut sembler modeste à première vue. Cependant, à l’échelle urbaine, une réduction de 10 % des arrêts à un carrefour à haute densité a un impact réel et mesurable.
O pipeline de dados que viabiliza tudo isso
Pour ceux qui travaillent avec des données ou des systèmes distribués, la partie la plus intéressante est le pipeline qui soutient le projet.
Green Light collecte des données de trafic provenant de sources multiples, notamment Google Maps et Waze. Ces données sont traitées pour identifier des motifs récurrents à chaque carrefour. Sur cette base, les algorithmes calculent des fenêtres de temporisation qui minimisent les arrêts consécutifs.
Ensuite, les suggestions sont livrées à la mairie sous forme de recommandations actionnables. La CET, à son tour, teste, valide et surveille les résultats. Ce cycle de rétroaction est fondamental pour affiner le modèle au fil du temps.
Le projet est né en 2023 et son pilote brésilien a été lancé à Rio de Janeiro. Depuis lors, il est arrivé à Campinas et São Caetano do Sul, avant d’atterrir dans la capitale paulista. À l’échelle internationale, l’Allemagne, Israël, l’Inde et les États-Unis font également partie de l’initiative.
O que esse modelo revela sobre IA aplicada à infraestrutura
Il y a ici une distinction importante à souligner pour les développeurs qui travaillent sur des systèmes d’IA en production.
Green Light n’est pas un système autonome de contrôle. C’est un système d’aide à la décision. Par conséquent, le succès de la mise en œuvre dépend autant de la qualité du modèle que de la qualité du processus de validation humaine. Des modèles qui opèrent sans ce cycle de révision ont tendance à accumuler des erreurs systématiques au fil du temps, en particulier dans des environnements dynamiques comme la circulation urbaine.
De plus, le projet met en évidence un motif qui devient de plus en plus courant dans les contrats d’IA avec le secteur public: la fourniture de recommandations, non de contrôle. Cela réduit le risque réglementaire et facilite l’adoption, même si cela limite le potentiel d’automatisation à court terme.
Du point de vue de l’ingénierie, on remarque aussi le choix d’un modèle qui opère par carrefour, et non par couloir ou maillage. Cela permet une granularité plus fine des suggestions, mais exige un volume approprié de données et une capacité de traitement.
O que vem a seguir
São Paulo est une ville trop grande pour que tout projet d’optimisation soit considéré comme terminé. Pour l’instant, Green Light est actif sur un ensemble sélectionné de carrefours. L’espoir est que, à mesure que les données s’accumulent et que les modèles s’affinent, la couverture augmente progressivement.
Le potentiel va donc bien au-delà de la réduction des arrêts. Avec suffisamment de données, il est possible d’envisager une optimisation coordonnée entre carrefours adjacents, une réponse dynamique aux événements et une intégration avec les données de transport public.
Pour l’instant, le projet représente un cas réel et fonctionnel d’IA appliquée à l’infrastructure urbaine. Pour la communauté de développeurs, il vaut la peine de suivre de près, tant d’un point de vue technique que du modèle de contractualisation et de gouvernance qu’il établit.
Suivez notre profil sur Instagram !
