C'est une belle levée de fonds qu'a réalisé la start-up Qucit. Cette jeune pousse "travaille à l'émergence de villes plus efficaces, plus intelligentes et plus agréables à vivre en commençant par la fluidification de la mobilité urbaine". Avec ces 1,7 millions d'euros, l'entreprise espère pouvoir améliorer sa solution d'intelligence artificielle et procéder à de nouvelles embauches.
Mettre la technologie au service de la ville
La start-up girondine a été fondée en 2014 par Raphaël Cherrier, ancien maître de conférences à Arts et Métiers ParisTech et ancien élève de l’Ecole Normale Supérieure de Lyon."Nous croyons en des villes plus durables grâce à une meilleure organisation. Les nouvelles données et technologies peuvent permettre aux services urbains de gérer chaque jour leurs ressources proactivement et résoudre les problèmes complexes des villes. Lorsque nous avons commencé en 2014, nous avons réalisé que les services urbains doivent prendre en compte une demande croissante et toutes les nouvelles interactions du monde extérieur. Chaque jour, le partage des ressources devient plus difficile et impacte négativement la vie quotidienne de tous (embouteillages, saturation des transports en commun, propreté des rues, pollution). Nous avons réalisé l’urgence de la situation et la nécessité d’une nouvelle technologie flexible, adaptée, qui prédit ces phénomènes complexes. C’est pourquoi nous avons créé Qucit pour Quantified Cities !"Elle a notamment développé des outils qui ont su séduire des clients comme Suez, Vinci, ou encore Keolis : l'Urban Predictive Platform (UPP).
"Qucit modélise les comportements humains en utilisant une grande variété de données urbaines et des algorithmes d’intelligence artificielle de pointe. Notre technologie repose sur l’intelligence artificielle, le machine learning, les modèles statistiques, la data-science, l’analyse des données, la visualisation des données et le data-mining."La start-up utilise une technologie de pointe dans le domaine de l’intelligence artificielle afin de procéder au nettoyage automatique de sources de données variées, à l'entrainement de modèle prédictif de machine learning et à la création d’API clé en main.