Un système d’information cartographique en ligne pour le Compstat

11Les plateformes analytiques de cartographie du crime n’émergent pas aux États-Unis, à la fin des années 1990, au hasard des polices locales américaines. À Philadelphie, un acteur en particulier œuvre au développement des premières applications de web mapping dans ce domaine : Robert Cheetham, le développeur du Service d’Information Géographique de la police de Philadelphie, le Philadelphia Crime and Mapping Systems (PHiCAM) et du Crime Spike Detector (le prototype d’Hunchlab) entre 1997 et 2006, d’abord au sein de l’administration policière, puis comme entrepreneur dans la start-up qu’il crée en 2000. Lorsque Cheetham est recruté par la police de Philadelphie pour mettre sur pied une unité d’analyse du crime et de cartographie (crime analysis and mapping unit), il poursuit dans le même temps un travail de développeur de logiciel au sein du laboratoire de modélisation cartographique de l’Université de Pennsylvanie. Cheetham s’intéresse ainsi aux SIG en traitant à la fois de leur aspect informatique et analytique.

12Cette approche colle assez bien avec les enjeux de développement du Compstat qui nécessite de mettre en place un système informatique de collecte et de traitement de données spatiales et temporelles. Le Compstat est mis en place à Philadelphie à l’occasion de l’arrivée d’un nouveau chef de Police en 1998, John Timoney, dont le programme s’inspire de ce que ce dernier vient d’expérimenter à New York au côté de William Bratton. Cheetham raconte comment son unité est devenue l’instrument central de la réforme de la police de Philadelphie avec l’arrivée du Compstat :

13

« John Timoney arrive à Philadelphie et nous dit : “Nous allons mettre en œuvre le Compstat, et nous allons changer notre façon de fonctionner.” À New York, John Timoney avait une centaine de personnes qui travaillaient pour lui sur le Compstat. Ici il avait seulement deux personnes parmi nous et un policier. Nous n’avions pas assez de personnel pour tout faire, alors nous avons dû développer des outils de cartographie de la criminalité sur le web et des logiciels pour automatiser une grande partie de ce que nous faisions. »

14Le Compstat process évoqué dans l’extrait d’entretien correspond à des rencontres hebdomadaires de trois heures où chaque commandant est amené à présenter la situation de son service, les différentes actions menées et les tendances du crime sur son territoire. Ces réunions doivent permettre la discussion autour de l’attribution des ressources en fonction d’une analyse des problèmes et de l’exposition des stratégies pour les résoudre. Les cartes du crime sont les supports essentiels de cette négociation.

15Mais avec trois analystes seulement, l’unité de cartographie et d’analyse du crime est sous-dotée pour répondre aux besoins statistiques d’une organisation qui compte plus de six mille agents de police. L’arrivée du Compstat implique de produire de manière hebdomadaire une série d’informations quantitatives et des représentations cartographiques du crime pour chacun des trente-neuf districts. Les outils de bureau utilisés par les crime analysts ne résolvent pas le double défi auquel l’unité doit répondre avec l’arrivée du Compstat : d’une part, collecter, stocker et actualiser rapidement les flux de données et, d’autre part, répondre aux besoins analytiques des policiers.

16Lorsque Cheetham intègre l’unité, installée au service du système d’information de la police de Philadelphie, les agents accèdent à de multiples bases de données, mais la plupart d’entre elles ne sont accessibles que depuis les machines du quartier général. Aucun système ne permet encore de relier les données. Exigeant la mise en œuvre de stratégies fondées sur des données, le Compstat nécessite que tous les agents puissent avoir accès aux systèmes d’information, n’importe où et n’importe quand, afin de pouvoir croiser des données et les projeter sur des cartes. Cependant, en comptant des milliers d’agents, la police n’a pas les moyens d’obtenir une licence par siège pour des logiciels de SIG destinés à des machines personnelles. Et quand bien même elle trouverait les moyens pour se procurer les licences, le problème ne serait pas résolu. Le coût de l’entretien des installations logicielles sur plusieurs postes de travail dans des emplacements géographiquement distribués est très élevé et il est difficile de maintenir et assurer l’actualité des données spatiales et des incidents criminels sur les postes de travail.

17La solution à ce problème est de développer une plateforme en ligne afin d’assurer l’organisation et la gestion technique des données et de les rendre accessibles et manipulables par les logiciels de SIG pour les différents agents de police opérant depuis des sites multiples, loin du quartier général. À partir des années 1980, les systèmes de gestion des bases de données (SGBD) atteignent un niveau de perfectionnement qui leur permet d’être exécutés sur du matériel à faible coût. C’est à la faveur de ce progrès technique que Cheetham développe un système d’information géographique en ligne qui donne les moyens aux agents de visualiser tous les incidents auxquels les services de police ont réagi, de faire des recherches dans plusieurs bases de données, de créer des graphiques et de produire facilement des rapports. À la fin des années 1990, lorsque Cheetham met en place PHiCAMS, un web-based information geographic system, la police de Philadelphie est considérée comme une des organisations policières les plus en « pointe » sur le plan des technologies d’information géographique. Le caractère novateur de PHiICAMS peut être compris en le situant dans le contexte des années 1990 où le web fournit une « enveloppe » nouvelle qui implique une modification importante du rapport du policier à l’accès à l’information cartographique sur le crime. L’appréciation des problèmes sur le district est désormais médiatisée par l’interface web.

Des intuitions assistées par ordinateur

18Mais PHiCAMS reste un outil descriptif. Lors des réunions du Compstat, l’anticipation du futur relève d’une dimension réflexive et stratégique construite par les policiers discutant de cartes de l’activité historique du crime. De la sorte, PHiCAMS maintient les policiers dans une posture réactive : les cartes du crime reflètent l’activité passée. Les policiers doivent en effet élaborer leurs stratégies sur la base d’une information prédictive. L’enjeu devient dès lors d’automatiser la réflexivité et la proactivité dans la carte.

19Il est possible de former les policiers aux subtilités de l’utilisation des SIG, à la manipulation des bases de données et à l’utilisation des progiciels statistiques afin qu’ils puissent faire des liens entre les variables de manière à estimer le comportement futur des phénomènes criminels. Mais une démarche de ce type prendrait un temps considérable, serait coûteuse et ne correspondrait pas nécessairement au métier de policier. C’est davantage le travail du crime analyst, mais le Compstat implique une logique de travail prescrit par les capitaines des districts. Il rend l’activité de l’analyste routinière, standardisée et répétitive, ce que Cheetham cherche à tout prix à éviter. Comment dès lors faire un système d’information géographique prescriptif ? Comment mettre à profit, en amont, la détection des patterns, pour permettre aux policiers, en aval, d’être autonome ? De quel type de prescription les policiers ont-ils besoin ? Quelle intelligence une machine peut-elle fournir automatiquement qui soit utile aux policiers et qui réponde aux exigences du Compstat ? Pour répondre à cette question, Cheetham s’appuie sur deux constats : d’une part, les agents et détectives ont besoin d’interagir avec des SIG, mais ils n’ont pas besoin de toutes les fonctionnalités des logiciels utilisés ; d’autre part, lors des réunions du Compstat, l’analyse de l’état de la situation existante présente systématiquement un retard de plusieurs semaines. Dès lors, il faut permettre au policier de manipuler des applications analytiques limitées à des usages prédéfinis, fonctionnant sur une base quotidienne.

20C’est dans cette perspective que Robert Cheetham imagine une machine de détection et de signalement des tendances criminelles : le Crime Spike Detector, une machine conçue sur le model d’un système d’alerte précoce. En 2000, lors de la conférence nationale sur la cartographie du crime organisée à San Diego, le premier prototype est présenté comme un logiciel permettant d’exploiter les données des incidents enregistrés et les appels de services afin de déterminer les secteurs où l’activité est statistiquement inhabituelle, c’est-à-dire d’identifier rapidement les changements brusques dans la distribution locale du crime – les pics du crime (crime spikes). La version du Spike Detector qui suivra le prototype est développée à partir de 2004, puis éditée en 2006 sous la forme d’une application web. L’innovation du Spike Detector tient moins à l’algorithme qui calcule l’alerte qu’aux technologies web sur lesquelles il repose : c’est au niveau de la manipulation des pages dynamiques offertes par le site, des visualisations des cartes et des modes de communication de l’alerte que se jouent les transformations majeures du travail des policiers. Le Spike Detector repose en effet sur le principe suivant : les policiers peuvent accéder au site web à tout moment pour effectuer des analyses, mais ils y viennent plus souvent parce qu’ils ont reçu une notification du Spike Detector par e-mail. Les policiers peuvent aussi avoir accès aux incidents concrets qui contribuent à un pic en particulier, en étant orientés vers PHiCAMS qui fournit les détails sur les crimes. En cliquant sur le lien « Graphiques », l’utilisateur accède à un histogramme qui permet de rendre statistiquement intelligible le pic. En plus de pouvoir visualiser les pics sur un graphique, l’utilisateur peut cliquer sur le lien « Carte » qui affiche une carte de la ville où d’autres pics sont affichés sous la forme d’un carré plein.

21La version d’Hunchlab qui suivra le Spike Detector conserve le modèle du système d’alerte précoce, mais devient plus flexible. Les développeurs d’Hunchlab cherchent une manière de représenter les intuitions des policiers de telle sorte qu’un ordinateur puisse les comprendre et les visualiser. En 2008, la première version d’Hunchlab commercialisée fonctionne sur le principe d’une requête à cinq critères prédéfinis (les catégories d’incident, la zone géographique délimitée par l’utilisateur sur une carte, la définition de la période historique de comparaison, la définition de la période de l’intuition, et le sens du pic (à la hausse ou à la baisse). Si cette première version est encore assez simple, les projets de recherche de cette période que nous avons pu consulter laissent imaginer les prémisses d’une machine capable de tester des intuitions plus précises (heure de la journée, jour de la semaine, modus operandi associé à la classe d’incidents, etc.).

De l’intuition à la prédiction

22La machine Hunchlab dont nous venons de décrire le développement s’adresse aux policiers, mais aussi aux analystes du crime. Elle automatise la production d’information comme support à la discussion. Il ne s’agit donc pas encore de recommander aux policiers des trajectoires de patrouille comme ce sera le cas avec les machines prédictives de la décennie 2010.

23Pour bien comprendre le mouvement de la première version d’Hunchlab vers l’émergence des machines prédictives, il faut souligner qu’à la fin des années 1990 aux États-Unis, des techniques du machine learning ont été testées en laboratoire pour prédire le crime dans l’espace et le temps (Groff et Vigne, 2002). Le National Institute of Justice (NIJ) a financé plusieurs projets visant à soutenir le développement de méthodologies de modélisation prédictive. Les réseaux de neurones (Olligschlaeger, 1998 ; Gorr, Olligschlaeger et Thompson, 2003) ont montré à cette occasion leur utilité prédictive. Mais ces recherches étaient académiques, souvent basées sur des petits ensembles de données contrôlées, ce qui ne correspondait pas à la réalité des situations opérationnelles. Si les résultats se sont révélés prometteurs, ces techniques ne sont pas sorties des laboratoires. Elles n’ont donc pas été intégrées dans des logiciels, à l’exception notable du célèbre CrimeStat (Levine, 2006), mais il s’agissait d’un logiciel de bureau (nous avons vu l’importance de la forme site web).

24La période de ces travaux universitaires est concomitante à celle de la création du Crime Spike Detector, mais la notion de prédiction a été volontairement évitée par les développeurs de la plateforme de Philadelphie. Hunchlab détecte automatiquement les pics, c’est-à-dire des différences significatives des tendances du crime au regard des distributions passées. L’enjeu est avant tout de développer une machine sous la forme d’un site web afin de permettre aux officiers de tester leurs intuitions et de naviguer dans les pics détectés. Une fois validée, l’intuition testée par une machine doit être explicable. Les réseaux de neurones testés à la fin des années 1990 sur des données spatiales du crime ont montré leur efficacité, mais ils fonctionnent comme des boîtes noires, d’où un désintérêt pour cette méthode dans cette première phase de développement.

25Le Spike Detector est resté à l’état de plateforme expérimentale sur l’environnement informatique de la police de Philadelphie entre 2000 et 2006. La première version d’Hunchlab, commercialisée à la fin des années 2000, est conçue en revanche pour être un produit commercialisable. Dans une étude de marché réalisée en 2008, une cinquantaine de départements de police ont été identifiés comme clients potentiels de la première version d’Hunchlab au regard, entre autres, de leurs ressources informatiques. Pour utiliser Hunchlab, les polices doivent être dotées du matériel informatique nécessaire au fonctionnement de l’application, c’est-à-dire être équipées de serveurs de stockage et d’exécution, mais aussi de tout l’environnement de développement qui lui est associé. Cependant, seuls la ville de Tacoma et deux consortiums qui rassemblent les ressources informatiques de plusieurs départements de polices, le comté de Pierce et le Northwest Ohio Regional Information System à Toledo, en Ohio, tenteront l’expérience. Le constat est cruel : la première version d’Hunchlab est un échec commercial, malgré dix années de recherche et de développement intenses. En revanche, lorsque Predpol fait irruption en 2011, le succès commercial de l’entreprise est immédiat.

26Face au succès commercial de Predpol, Hunchlab renoncera progressivement à ce concept innovant d’« intuitions assistées par ordinateur ». Selon Cheetham, ce que Predpol a réussi est ce qui a manqué à Hunchlab : en ses termes, la « mise en produit » de la plateforme. L’innovation de Predpol tient à sa simplicité. La plateforme fournit des cartes interactives simplifiées (un carré rouge sur une carte) grâce à un algorithme de calcul de point chaud projeté sur un tableau de bord embarqué sur ordinateur, tablette ou smartphone. En 2013, l’entreprise qui commercialise Hunchlab entreprend une refonte complète de la plateforme. Une deuxième version est développée from scratch, pour passer en mode SaaS et revoir entièrement les usages de l’outil pour s’aligner sur le modèle de la machine de Predpol. La deuxième version d’Hunchlab n’a donc plus rien à voir avec la première. Il s’agit, comme pour Predpol, de projeter sur une carte les crimes à venir. Les projections ne font l’objet d’aucune interprétation de la part des policiers. La machine est tournée vers l’orientation directe des patrouilles de police. D’une application construite au sein du système d’information de la police cherchant à aider les policiers à explorer des hypothèses et des intuitions, on passe à une application beaucoup plus externe qui prédit automatiquement et, partant, fait disparaître la dimension réflexive de la proactivité.

Des quotas de « stop-and-frisk » au dosage en temps réel

32Si l’objectif initial du Compstat est de gérer une police proactive, comment faire de la proactivité une quantité ? Comment mettre en équivalence cette quantité avec de la sécurité ? Depuis les réformes des administrations publiques dans les années 1990, le travail d’un responsable de département de police est celui d’un gestionnaire d’une quantité de proactivité mise en équivalence en des termes de réduction de la criminalité escomptée. Mais comment le gestionnaire d’un département de police peut-il s’assurer, au niveau de chacun de ses agents sur le terrain, de leur proactivité et, partant, de leur productivité dans le travail ? Comment un responsable de district peut-il s’assurer des tâches de sécurisation bel et bien réalisées ? Loin du regard de ses supérieurs, un agent de police à une marge de liberté importante sur le terrain.

33Une manière de contraindre les policiers est de leur imposer des quotas [7] de proactivité (Bronstein 2014 ; Eterno et Silverman, 2012). À New York, un système de quotas de stop-and-frisk [8] a été mis en place, exigeant une quantité minimum, par agent, de contrôles d’identité et, le cas échéant, d’une palpation de sécurité. C’est ce que souligne Wesley Skogan, célèbre observateur des pratiques policières aux États-Unis, qui voit dans les quotas de contrôle une stratégie organisationnelle :

34

« À titre de stratégie organisationnelle, la méthode du stop-and-frisk intègre de nombreuses caractéristiques supplémentaires. En l’occurrence, les contrôles ne sont pas seulement des réactions face à des événements ; et les agents partent en patrouille avec l’intention de procéder à ce type de contrôles. C’est leur mission, tout au moins en partie. Ils doivent procéder à ces interpellations parce que leurs supérieurs leur demandent d’effectuer des contrôles et de fouiller les citoyens […]. Les agents sont encouragés à “remplir leurs quotas” afin de satisfaire leurs supérieurs. Les contrôles étant enregistrés dans la base de données du service de police, il s’agit bien ici de chiffres, et ces chiffres sont surveillés par leurs supérieurs. Ils peuvent imposer un quota officiel et fixer un nombre d’interpellations à effectuer pour chaque équipe, ou peuvent tout aussi bien demander une augmentation de ces chiffres lors des réunions de briefing. […] »

35Simples à mettre en place, les quotas indiquent des quantités minimales de contrôles routiniers allouées aux agents de terrain. C’est donc une manière de rendre un policier proactif. Utilisé à haute dose, l’usage du contrôle devient une technique de maintien de l’ordre par la saturation du contrôle policier dans les zones considérées comme des points chauds, ce qui permet la dispersion des membres de gang, d’augmenter la probabilité d’arrestation pour détention de drogue ou d’arme à feu et de capter davantage les situations irrégulières de migrants. Les quotas sont des métriques commodes pour mettre en équivalence la valeur travail de l’officier en patrouille, car ils apportent une solution de contrôle de la production du travail des policiers qui opèrent en principe dans des situations de faible visibilité.

36Mais les quotas sont dénoncés par les réseaux d’activistes de protection des droits civiques et par les policiers eux-mêmes (Ismaili, 2015). L’usage du contrôle à dose élevée est jugé non constitutionnel en 2013 par la Cour de justice de l’État de New York lors de l’affaire Floyd vs City of New York (Bellin, 2014 ; White et Fradella, 2016). Il s’en est suivi une diminution importante des contrôles (une chute de 97 % entre 2011 et 2016). La police se retrouve non seulement amputée de l’unique stratégie sur laquelle repose la proactivité, mais aussi de son principal instrument de gestion.

37L’entreprise Predpol innove en proposant une plateforme qui intègre la même fonction que les quotas : permettre aux gestionnaires de s’assurer que les officiers, durant leur temps de patrouille, font le travail escompté au regard des objectifs de production élaborés au niveau supérieur [9]. Pour ce faire, elle imagine la plateforme non pas comme un SIG, mais comme un « tableau de bord » qui permette de contrôler en temps réel cette production sous la forme de quantité de travail réalisé par les agents de police sur le terrain. Pour mettre les policiers sous la pression du temps réel, il faut une plateforme de stream computing permettant de traiter des flux de données « au fil de l’eau » afin d’enregistrer les trajets des patrouilles. Pour ce faire, Predpol intègre les données des systèmes de suivi GPS placés dans les voitures de police, ce qui permet de suivre les officiers à la trace et de contrôler le temps de la présence des patrouilles selon les secteurs de la ville. Pour organiser la distribution des patrouilles dans l’espace et le temps, les développeurs de Predpol vont proposer un usage astucieux des résultats de leur recherche : ils ont découvert que les patrouilles de police atteignent un niveau d’efficacité suffisant en passant seulement 5 % de leur temps de travail dans les zones identifiées par l’algorithme. Ces résultats sont précieux, car ils permettent de contrôler avec précision le dosage des patrouilles, tout en mobilisant a minima la part proactive de l’activité policière. L’un des utilisateurs précoces de Predpol, Sean Malinowski, alors capitaine de police du secteur Foothill à Los Angeles et chef de projet du programme predictive policing financé par le Bureau of Justice Assistance, raconte comment ce dosage quantifié permet une meilleure gestion de la proactivité :

38

« Aujourd’hui, les systèmes de localisation automatique de véhicules (AVL) sont dans tous les véhicules de patrouille. Nous essayons d’utiliser ces données et de mettre au point un véritable système de dosage. Nous avons fait une expérience à Foothill où […] nous avons pu déterminer combien de temps ils passaient dans des boxes [10]. […] Nous avons compris que le GPS captait les moments où les patrouillent ne savaient même pas qu’elles étaient dans une box. Si l’officier s’arrête en route vers un appel radio ou s’il s’arrête à un feu qui se trouve dans une box prédictive, cela reste un facteur dissuasif. C’est possible, parce que si un suspect voit la patrouille, il ne sait pas ce que la patrouille est en train de faire. Donc, éventuellement, ce que nous pourrons faire avec cela, c’est que vous aurez ces boxes rouges sur la carte et vous aurez ce doseur, et cela vous dira si vous avez effectué une quantité optimale de dosage. Vous fixez une dose optimale : pour nous, c’est de 70 à 100 heures par semaine. Nous avons fait toutes sortes d’études pour estimer cette quantité. Plus la dose est élevée, mieux c’est, mais les résultats diminuent avec le temps, en termes d’effet sur le crime. Donc nous avons maintenant ce doseur. »

39Le dosomètre présenté par Malinowski fonctionne sur le principe simple de couleur différenciée des boxes : le carré prédictif reste rouge sur la carte tant que la police n’y a pas patrouillé, tourne ensuite au jaune lors des premiers passages, puis apparaît en vert lorsque le policier a passé le temps suffisant et optimal calculé selon les ressources disponibles (par exemple, les 5 % du temps du travail journalier d’une patrouille). La circulation dans les boxes peut se faire de manière aléatoire. Predpol permet un contrôle des agents de terrain en mesurant leur contribution à la part proactive de leur temps de travail, souvent par la simple présence dissuasive, mais sur une durée optimisée, dans les zones où le risque est estimé le plus haut. En dehors de cette part proactive, les officiers peuvent s’adonner à d’autres tâches.

40Hunchlab oriente le développement de son instrument dans cette même perspective de dosage des patrouilles en intégrant aussi les données GPS, mais il propose une approche sensiblement différente. Le temps de dosage ne se définit plus par rapport à un pourcentage du temps de travail journalier, mais sur la base de Key Performance Indicators (KPI), c’est-à-dire de mesures quantifiables de rendement choisies pour rendre compte de l’activité de la police par rapport à des objectifs prédéfinis. Les difficultés de cette méthode résident principalement dans le choix des indicateurs, en particulier du point de vue de leur faisabilité et utilité. En collaboration avec des acteurs de terrain, Hunchlab a retenu trois indicateurs de rendement de l’activité des patrouilles :

41

« 1) Minutes de mission : Il s’agit du temps passé à visiter les missions. Il exclut le temps consacré aux visites de très courte durée (<5 minutes), car il est peu probable qu’elles soient significatives. Il limite également le temps consacré à deux fois 15 minutes afin d’éviter d’accumuler beaucoup de temps au cours d’une seule mission. Il y aura une valeur d’objectif basée sur le temps qu’il est recommandé de consacrer à chaque mission et qui sera ensuite agrégé à l’ensemble des missions ; 2) Bonnes séances de mission. Il s’agit du nombre de visites par mission qui représentent probablement une dose significative. Pour être considérée comme bonne, une session doit commencer au moins 30 minutes après la dernière bonne session (pour commencer et terminer les sessions encore et encore afin de faire jouer les métriques). Le temps passé doit être d’au moins 5 minutes. Il y aura un objectif par mission qui sera ensuite agrégé pour l’ensemble des missions ; 3) Missions validées. Une mission est considérée comme validée si elle a subi au moins 3 bonnes sessions de mission. Ceci est conçu pour aider les commandants à répartir le dosage entre les missions. »

42C’est donc à partir d’un tableau de bord affichant plusieurs indicateurs de performance clef que la machine incite les policiers à faire varier des styles de patrouilles dans les missions (l’équivalent de la box). Outre la définition de ces indicateurs d’activité, Hunchlab envisage d’approfondir les informations de dosage à un niveau granulaire. Sur la base d’une comparaison des comportements de patrouilles, l’enjeu est aujourd’hui d’utiliser les données GPS pour que les machines détectent des patterns de patrouilles efficaces. Compstat deviendrait ainsi une plateforme qui collecte des données en vue d’une continuelle progression des logiques de dosage des patrouilles.

43On le voit, que ce soit Predpol ou Hunchlab, l’information prédictive n’est pas seulement une projection dans le futur, elle est aussi le support d’une mise en équivalence nouvelle de la valeur travail. De la saturation par les quotas qui fonctionnaient comme des métriques de performance, on passe à l’optimisation des patrouilles par le dosomètre. Ce passage des quotas aux dosomètres peut être analysé comme une forme d’intégration de la critique adressée au Compstat. Le Compstat est traduit sous la forme d’une application qui apporte une solution gestionnaire concrète dans un contexte de crise des techniques managériale développée depuis les années 1990 : un dosomètre d’activité qui permet de piloter la production de sécurité mise en équivalence avec du temps de patrouille ou des manières différentes de patrouiller. Les machines prédictives permettent de contrôler et superviser, sans avoir recours aux quotas, la quantité et la qualité de travail réalisé par les agents de police sur le terrain. Désormais, il ne s’agit plus de compter sur les réunions hebdomadaires pour inciter les agents au travail. En temps réel, les responsables de la police de différents niveaux peuvent piloter derrière leur écran l’offre publique de sécurité. L’enjeu de la police prédictive est de gérer, selon des critères gestionnaires nouveaux de productivité, le temps de vigilance quotidienne.

La valeur de la patrouille

44Le dosage n’est pas seulement temporel, il est aussi situationnel : quelles sont les situations prioritaires sur lesquelles les polices doivent patrouiller. Pour répondre à cette question, les entreprises qui développent des plateformes d’analyse prédictive complètent les scores de risques par des métriques de pondération qui permettent de classer par ordre de priorité les situations sur lesquelles il faut intervenir. L’analyse comparée de ces métriques utilisées dans les plateformes Predpol et Hunchlab montre que la pondération du risque peut relever de deux logiques différentes qui évoluent selon la manière dont les plateformes conçoivent les rapports entre la prédiction, la police et la population.

45Predpol propose une méthode permettant de mettre en lumière l’aspect économique de l’action policière. Pour ce faire, la plateforme évalue la valeur de la patrouille à partir d’une formule classique du calcul du retour sur investissement :

46ROI = (Gains – Coûts d’investissement) / Coûts d’investissement.

47Comme on peut le lire dans un compte rendu d’une étude réalisée par un doctorant de l’entreprise Predpol, ce ratio théoriquement simple à énoncer implique une évaluation comptable du travail de la police par une mise en équivalence du coût évité (les gains) par l’action de la patrouille (Samuels, 2014). Pour évaluer ce rendement mesurable de l’investissement, Predpol s’appuie sur l’estimation monétaire du « coût du crime » mise à disposition par la Rand Corporation. Il est ainsi fourni une valeur synthétique unique qui permet à la police de mesurer son action prédictive en termes d’investissement, exprimant la prédiction dans une valeur monétaire. Une telle évaluation comptable classe les ordres de priorité à partir d’une « fonction de production de la sécurité » de type analyse coût/bénéfice. Predpol automatise ainsi l’analyse économique de l’action policière, d’une manière rudimentaire, mais opérationnelle et effective. Autrement dit, la prédiction devient le vecteur d’une marchandisation de l’action policière.

48De son côté, Hunchlab travaille au développement d’une plateforme qui intègre des grands choix politiques pour l’action publique. Dans la continuité des vœux de la Task Force mise en place par Barack Obama sur la police du XXI^e siècle en 2015, notamment celui d’« une police communautaire basée sur des technologies accroissant la confiance de la population » [11], la plateforme Hunchlab propose de classer les ordres de priorité des patrouilles d’une manière plus ouverte que Predpol. Quatre manières différentes de pondérer les crimes sont proposées :

49

« 1) Le département de police décide des pondérations. Nous ne recommandons pas vraiment cela, car nous pensons qu’il est plus logique que le service de police s’appuie sur une évaluation de la gravité effectuée par un tiers, mais c’est une option possible ; 2) Le coût du crime. L’avantage est que de nombreux types de coûts pour la société peuvent être incorporés dans un seul chiffre. Il est plus facile de parler d’investissement pour la communauté, car les prévisions de criminalité sont également exprimées en dollars. L’inconvénient est que les chiffres publiés sur le coût du crime ne sont pas précis et ne sont disponibles que pour les principaux types d’incidents. 3) Une pondération relative à la détermination de la peine (Crime Harm Index). L’avantage de cette pondération réside dans le fait que le Crime Harm Index est très précis. Avec ces pondérations, le système optimise la prévention du crime de manière à réduire la durée totale des peines, en essayant essentiellement de réduire l’incarcération en prévenant les événements comportant des peines plus longues. Une critique que certains soulèveront serait que le Crime Harm Index ne reflète pas toujours un préjudice réel pour la collectivité. Par exemple, les incidents liés à la drogue sont plus longs que ce qui est probablement justifié. Si nous essayons d’empêcher de telles peines, je pense que ce biais est en fait tout à fait approprié dans un système préventif comme le nôtre. 4) La participation du public. C’est ce que nous préconisons, un processus d’engagement public ou semi-public pour déterminer les pondérations. On peut imaginer qu’il s’agit d’un groupe de représentants de la communauté, informés des effets de ces pondérations dans le système. Ce groupe peut décider des poids associés à des types de crime à renseigner dans l’espace de l’administrateur système. Nous avons un ministère qui a accepté de travailler avec nous pour tester cette approche avec leurs électeurs. »

50Ces quatre métriques font varier des conceptions de la politisation de l’algorithme dans une gradation de la primauté accordée à l’administration ou aux intérêts de la population souveraine : la première pondération donne la primauté à l’administratif ; la deuxième la donne au calcul économique ; la troisième intègre le sens de la justice du système judiciaire [12] ; et la dernière asservit l’administration à la souveraineté de la population. Hunchlab rend l’utilisateur du logiciel, par la multiplicité des formes de pondération, libre de penser le modèle relationnel entre le pouvoir de la police (de l’administration) et le pouvoir politique (le public).

51Si la plateforme Predpol fait de l’administration policière une entreprise visant la rentabilité, Hunchlab pense l’administrator system de la plateforme comme un véritable système administratif qui contient les contradictions et les tensions propres aux administrations publiques des démocraties occidentales (Rosanvallon, 2015). L’opposition entre les deux approches est assez classique : d’un côté, Predpol propose un raisonnement qui s’inscrit dans la continuité du processus ancien de naturalisation de l’analyse économique de l’action publique ; d’un autre côté, Hunchlab propose au contraire une politisation en donnant le choix à l’utilisateur d’une multitude de pondérations. Hunchlab va jusqu’à proposer de rendre discutables les pondérations avec les populations.

52Mais pour les deux plateformes, il s’agit d’intégrer in itinere, au niveau de l’action quotidienne d’un agent, des métriques d’évaluation utilisées jusqu’à présent de manière ex ante ou ex post au niveau des réunions du Compstat. La nécessité de formaliser ces métriques dans les plateformes impose de rendre plus explicites des valeurs dans le choix de telle ou telle tactique policière. Faut-il considérer la police comme une organisation qui doit être rentable économiquement ou comme un service tourné vers les demandes et les préoccupations de la population ? Les développeurs de Predpol ont répondu eux-mêmes à cette question en fixant le calcul du ROI dans la machine ; Hunchlab laisse la possibilité aux acteurs de la police d’y répondre eux-mêmes dans l’administrator system [13]. Dans tous les cas, la police prédictive impose de rendre explicites les valeurs que l’on attribue à la patrouille. La présence policière dans l’espace public est désormais systématiquement associée à une opération permanente d’évaluation (Dussauge, Helgesson et Lee, 2015) paramétrable et automatisable.

Maîtriser les biais

55Depuis sa création, Predpol fait l’objet de nombreuses critiques, mais seules celles concernant les biais de discrimination ont suscité une réponse publique de la part des développeurs. La dénonciation de l’association à but non lucratif Human Rights Data Analysis Group a particulièrement intéressé Predpol. Dans leur étude, To Predict and Serve (Lum et Isaac, 2016), l’association publie une analyse des effets de l’algorithme de Predpol sur la base d’une simulation numérique. La démonstration est simple. Sur une carte de la ville d’Oakland, est projetée la distribution spatiale des drug arrest, construite à partir des données enregistrées par la police. On peut constater sans aucune hésitation une concentration des arrestations dans les quartiers où résident les populations non blanches et au niveau de salaire le plus faible. Une autre carte est construite qui indique cette fois, grâce à une extrapolation de la National Survey on Drug Use and Health, que les prévalences des consommations de drogue se distribuent d’une manière équivalente d’une catégorie raciale à une autre. Si ces données d’arrestation alimentent le processus d’apprentissage des machines, il n’est pas surprenant que l’algorithme de Predpol contienne ce biais discriminatoire. La simulation, réalisée à partir du modèle prédictif utilisé dans Predpol, montre en effet que les Noirs seraient ciblés par la police prédictive à un taux deux fois plus élevé que celui des Blancs, et les personnes classées dans une catégorie autre que Blancs obtiennent un score d’arrestation 1,5 fois supérieur à celui des Blancs. Mais la question cruciale est de savoir s’il n’y a pas un effet de boucle de rétroaction (feedback loop), c’est-à-dire si les résultats des prédictions se constituent en retour en données d’apprentissage qui viennent renforcer et augmenter la distribution inégale des arrestations dans la population. En faisant varier de 20 % les quantités d’arrestations – illustrant le cas typique des injonctions à la productivité telles qu’elles existent dans le Compstat – dans les zones prédites par l’algorithme, la simulation montre un effet de renforcement des inégalités d’arrestation dans le temps à mesure que l’algorithme apprend sur des données d’arrestations produites à l’issue des recommandations de l’algorithme lui-même.

56Suite à la dénonciation du biais de discrimination, les développeurs de Predpol admettent qu’il y a de bonnes raisons de craindre que les méthodes algorithmiques de la police prédictive puissent amplifier les distributions inégales des arrestations dans la population, mais ils se défendent en apportant une double réponse à la critique.

57La première réponse de Predpol consiste à montrer que la situation est moins alarmante que la critique ne le laisse entendre. Dans leur article intitulé « Does Predictive Policing Lead to Biased Arrests ? Results From a Randomized Controlled Trial » (Brantingham, Valasik et Mohler, 2018), les développeurs de Predpol reprennent les données d’un essai randomisé contrôlé réalisé en 2011 pour tester l’efficacité de leur machine à Los Angeles (Mohler et al., 2015), ce qui leur donne la possibilité de comparer la distribution des arrestations des patrouilles selon les variables ethniques (renseignées par les policiers) pour les zones qui n’ont pas fait l’objet de recommandations algorithmiques (groupe contrôle) avec celles où Predpol a été utilisé (le groupe traitement). Les auteurs de l’article ne constatent pas de différences significatives – ils utilisent la procédure classique des tests statistiques, l’hypothèse nulle à tester étant l’absence de discrimination – dans la proportion d’arrestations selon les groupes ethniques entre les opérations réalisées sous les conditions de contrôle et les conditions de traitement. De plus, selon Brantingham et Mohler, s’il est tenu compte du taux global de criminalité plus élevé aux endroits prévus par l’algorithme, les arrestations restent inchangées, voire sont plus faibles dans les zones recommandées par la machine. Pour le dire simplement, selon Predpol, la police prédictive produit une activité ni plus ni moins plus discriminante que les pratiques courantes des patrouilles.

58Une deuxième réponse est formulée dans un article publié dans un numéro spécial portant sur la police prédictive dans la revue juridique Ohio State Journal of Criminal Law (Brantingham, 2017), qui procède d’une simulation, mais en construisant le problème du biais algorithmique d’une manière plus sophistiquée que ses détracteurs. Si la critique de l’association de protection des droits civiques adressée à Predpol a le mérite d’alerter sur les risques de discrimination, elle est néanmoins en décalage avec la réalité de la pratique : l’algorithme de Predpol n’apprend pas à partir des données d’arrestations, mais principalement à partir des crimes signalés à la police par le public. Brantingham le rappelle dans son article : alors que tout le débat se concentre sur les biais d’arrestation à l’encontre des minorités, les données entrantes sont des incidents criminels signalés, plutôt que des actes criminels capturés directement par les agents. Une méthode plus adaptée à la réalité des données d’apprentissage pour prévenir et mesurer les biais algorithmiques de la police prédictive consisterait, selon Brantingham, à localiser les biais au niveau des interactions sociales qui produisent le signalement des crimes entre la police, le public et les criminels :

59

« Certaines voies mettent la police en contact avec les victimes, tandis que d’autres la mettent en contact avec des suspects. Dans le premier cas, les préjugés implicites viseront à minimiser la victimisation par le déclassement des crimes (downgrading of crimes). Dans le dernier cas, les préjugés implicites chercheront à maximiser la responsabilité par un sur-classement des crimes (upgrading of crimes). »

60Le processus par lequel les données sont générées peut avoir un impact sur l’estimation algorithmique du risque qu’il est aisé d’envisager : le déclassement (downgrading) implique une sous-activité policière, alors que le sur-classement (upgrading) produit de la suractivité. Autrement dit, si le biais concerne les victimes, la police minimise les victimations (déclassement) ; si le biais concerne les suspects, alors la police produit de la discrimination (sur-classement). Brantingham cherche à évaluer empiriquement l’effet de ces biais sur le processus d’apprentissage de la machine, en observant dans quelle mesure les déclassements et les sur-classements impactent les différents paramètres estimés du modèle (ceux de la concentration, de la contagion et de la fenêtre temporelle de la contagion, cf. Benbouzid (2017) pour une explication détaillée de ces éléments du modèle). Pour ce faire, il calcule la moyenne et l’écart-type de la distribution de la moyenne pour chacun de ces paramètres estimés, pour des situations différentes de déclassement et du sur-classement (de 0 à 20 %), en appliquant systématiquement cinq simulations indépendantes pour chaque situation, ce qui permet de mesurer l’étendue des variations des estimations paramétriques issues du processus d’apprentissage. Si pour les phénomènes de déclassement, les résultats correspondent aux intuitions (les estimateurs minimisent les risques), il n’en va pas de même pour les sur-classements. De manière contre-intuitive, l’effet du sur-classement diminue aussi les clusters de contagion. L’impact des biais est différent selon les composantes du modèle et Brantingham tente d’apporter une explication : les biais étant distribués de manière aléatoire dans le jeu de données d’apprentissage, seule la partie qui modélise la dépendance à l’espace est impactée de manière directe, alors que la partie qui modélise la dépendance au temps est moins directement touchée par ces variations aléatoires. Mais le plus intéressant des résultats obtenus est que les moyennes et les écarts-types de la distribution de la moyenne pour les différentes situations de déclassement et de sur-classement se situent dans la plage de variation de l’estimation des paramètres pour les ensembles de données non biaisés (figure 1).

Figure 1

Graphes représentants les effets des données biaisées sur les trois paramètres du modèle prédictif

Graphes représentants les effets des données biaisées sur les trois paramètres du modèle prédictif

Graphes dans Brantingham (2017, p. 482) représentant l’effet des biais (en haut le sur-classement, en bas le déclassement) sur le processus d’apprentissage des trois paramètres du modèle (de gauche à droite, la concentration, la contagion et la fenêtre temporelle de la contagion). Chaque graphe représente la moyenne et le one standard deviation range (1SD) des paramètres estimés à partir du modèle, pour cinq simulations indépendantes, appliquées systématiquement sur six variations de biais (de 0 % à 20 %). La ligne en rouge pointillé correspond à la valeur des paramètres de base du modèle, c’est-à-dire le modèle qui a permis de générer les données et qui sert de point de repère à l’expérimentation. La bande gris clair correspond à la fourchette de variation naturelle du paramètre (0 % de données biaisées). On observe donc facilement à partir de quelle quantité de données biaisées l’impact sur le modèle se distingue de la variation naturelle des paramètres observés dans les situations non biaisées.

61Tout compte fait, l’impact des biais sur l’estimation du risque est difficile, voire impossible, à distinguer de la variation naturelle des paramètres observée dans les situations non biaisées. Brantingham parvient néanmoins à estimer un taux de biais à partir duquel les estimations du risque évoluent en dehors du cadre des variations naturelles : plus de 20 % des événements biaisés pour les crimes déclassés, et seulement plus de 5 % pour les crimes surclassés. Si le problème de la discrimination peut être traduit en termes mathématiques, et donc en métriques, il est envisageable de construire des algorithmes capables de mesurer, gérer et corriger les biais.

Optimiser les préjudices

62Répondre à la critique de la discrimination de la police prédictive ne relève pas uniquement de la résolution du problème des biais algorithmiques. Dans une société démocratique, la police déploie une activité de contrôle sur un faible pourcentage de la population, mais une partie plus ou moins importante de ces contrôles reste infructueuse, et peuvent dans certains cas viser des personnes suspectées à tort. Une certaine quantité de contrôle de la population est acceptable, si en contrepartie ce contrôle permet de sécuriser la population et le territoire. Autrement dit, les contrôles infructueux sur des personnes suspectées à tort sont légitimes en tant qu’ils sont nécessaires à la production d’une offre de police proactive et uniquement dans la mesure où les contrôles profitent toujours à la population (Bambauer, 2015).

63Mais il existe de fait un découplage entre la population qui bénéficie des avantages sécuritaires de la proactivité de la police et celle qui en paie les coûts, car elle a subi les préjudices des contrôles non mérités ou inadaptés de la police (Harmon, 2015, 2012 ; Huq, 2016). Cette part inéluctablement préjudiciable de la police proactive ne se distribue pas de manière aléatoire dans la population. Elle se concentre sur une minorité qui a une proximité spatiale et sociale avec les criminels suspectés. Le principal problème politique du policing est celui de la distribution juste de l’action préjudiciable de la police dans la population et de la régulation qui lui associée (Harmon, 2012). Les machines prédictives ne pourraient-elles pas aussi répondre à ce problème crucial en régulant le travail de la police pour minimiser les préjudices que celle-ci cause à la population dans le quotidien de son activité ? Comment les données de l’activité policière peuvent-elles être utilisées stratégiquement, de manière opérationnelle, pour réduire la fréquence et l’impact de ces préjudices ?

64Dans un livre blanc en cours de préparation, Using data to reduce policing harms [15], Hunchlab tente de répondre à ces questions en imaginant comment cette part inéluctablement préjudiciable du travail proactif de la police (harm policing) pourrait être réduite à l’aide d’un calcul. S’il est difficile de modéliser l’ensemble des préjudices causés par l’activité policière, Hunchlab propose de traiter de la part du harm policing qui se limite à celle produite par l’activité de voies publiques des patrouilles, c’est-à-dire l’ensemble des interactions ordinaires vécues comme négatives par les personnes, en particulier les stops and frisks infructueux. Après un contrôle, les agents remplissent un formulaire qui enregistre divers aspects de l’interpellation, y compris les caractéristiques démographiques du suspect, l’heure et le lieu, le crime présumé et la justification de l’interpellation. Après le stop d’une personne, les agents peuvent procéder à un frisk (une palpation) s’ils ont de bonnes raisons de croire (reasonnable suspicion) que la personne est suspecte. Les agents peuvent également procéder à un search (une fouille vestimentaire) s’ils estiment une probable cause d’activité criminelle. Un agent peut ensuite décider de procéder à une arrestation ou de délivrer une assignation, le tout étant consigné sur le formulaire. Les réponses sont ensuite normalisées, compilées et rendues accessibles sous la forme de données ouvertes. Une start-up comme Hunchlab peut donc facilement envisager de tirer profit de ces données pour analyser les contextes d’apparition des contrôles et, partant, calculer les probabilités des contrôles non fructueux.

65Dans le livre blanc, Hunchlab imagine une machine qui recommande des trajectoires de patrouille en fonction d’une quantité plus ou moins acceptable de contrôles non fructueux distribués dans la population. Mais comment distribuer cette quantité dans l’espace et le temps ? Nous l’avons vu plus haut, les machines prédictives sont conçues non seulement pour prédire le crime, mais aussi pour optimiser l’allocation des ressources afin de maximiser l’offre publique de sécurité : la police prédictive intègre dans la machine une méthode de calcul coût-avantage permettant de peser le total des coûts des ressources mobilisées vis-à-vis des gains de bien-être escomptés associés à la dissuasion des activités criminelles évitées. Hunchlab propose de prolonger ce raisonnement économique au problème de la réduction des nuisances policières : si la police produit inexorablement des nuisances en produisant de la sécurité, celles-ci peuvent être considérées comme les externalités négatives de la production d’un bien public. Les nuisances policières représentent une part non négligeable du coût de la police qu’il est possible d’intégrer dans le calcul de la fonction de production de la sécurité sur lequel repose le dosage des patrouilles.

66Comment réguler l’activité policière afin de minimiser les coûts externes négatifs que la police impose à la population, tout en lui favorisant la tâche de maintenir l’ordre ? Si le livre blanc n’apporte pas de définition précise du concept d’externalité lié aux nuisances policières, il apparaît néanmoins en filigrane que les auteurs s’inspirent des méthodes utilisées en économie de l’environnement, en particulier celles développées en matière de régulation des entreprises polluantes (Boudia, 2014). La production de la sécurité quotidienne peut être en effet assimilée à celle des biens polluants : elle génère des externalités négatives diffuses, avec un préjudice faible par agent, mais touchant un grand nombre de personnes. Si le livre blanc botte en touche au sujet du calcul de la valeur du coût de l’externalité négative de l’activité policière (seul l’enjeu d’une enquête permettant de connaître le consentement aux contrôles en interrogeant les individus sur ce qu’ils sont prêts à subir pour bénéficier de la sécurité est mentionné), il apporte néanmoins des éléments concernant la manière de réguler ces nuisances. Le principe utilisé en économie de l’environnement d’introduire graduellement un système de taxation progressif, tel qu’il a été proposé pour mener les pollueurs à internaliser les externalités négatives, pourrait être transposé à la sécurité :

67

« Pour certains préjudices, comme les arrêts infructueux, une approche progressive et graduelle – c’est-à-dire un modèle qui augmente le préjudice marginal de chaque nouvel arrêt infructueux à mesure que le nombre total augmente, comme dans le cas de la taxation progressive – pourrait aider à saisir les aspects plus diffus des préjudices des services de police. »

68Et il est indiqué en citation :

69

« Il s’agit de la méthode standard d’évaluation des montants théoriquement optimaux de l’impôt pour les acteurs qui produisent des externalités importantes, mais diffuses. Voir, par exemple, Cremer, Gahvari et Ladoux, “Externalities and Optimal Taxation”, Journal of Public Economics, 1997. »

70Hunchlab montre que ce procédé de régulation peut avoir une structure complexe. Si dans le cadre de deux contrôles routiers simultanés, par exemple dans l’espoir d’obtenir des informations sur les activités récentes des gangs dans une région, deux conducteurs sont également susceptibles de fournir des renseignements et d’être en possession d’une arme à feu, faut-il interroger le conducteur qui a fait l’objet de trois contrôles non fructueux au cours du dernier mois ou celui qui n’a pas été en contact avec la police depuis plus d’une année civile ? Une fois l’identité d’un conducteur connue, une machine pourrait inviter un agent à s’abstenir de procéder à un contrôle ou inversement, elle pourrait l’encourager, en fonction des préjudices subis. Dans les secteurs où l’exposition à l’activité policière est relativement importante en raison de problèmes de criminalité particuliers, un algorithme pourrait limiter les contacts de la police avec les publics en fonction de l’équilibre de la distribution des contrôles entre les territoires. Le livre blanc indique un exemple qui illustre bien comment une machine pourrait distribuer de manière équitable les préjudices de la police dans la population :

71

« Imaginez que deux agents, au cours d’une mission, s’apprêtent chacun à effectuer un contrôle routier. Un policier se trouve dans un quartier qui compte de nombreuses ressources policières en raison d’un problème de crimes violents et le nombre total d’interpellations est donc élevé. Le deuxième policier se trouve dans un quartier où les ressources policières sont limitées et le nombre total d’interpellations est donc beaucoup plus faible. Supposons que chaque contrôle routier réponde à la même infraction à la loi (par exemple le non-respect d’un feu rouge) et que chaque agent jouit donc du même pouvoir discrétionnaire pour émettre une contravention. Est-ce que l’agent dans le quartier où le taux d’arrestation est le plus élevé devrait émettre des procès-verbaux au même rythme que l’agent dans le quartier où le taux d’arrestation est plus faible ? Encore une fois, une réponse complète dépend de nombreuses variables, mais, toutes choses étant égales par ailleurs, nous pensons qu’il y a de solides arguments en faveur de procès-verbaux à un taux inférieur dans le quartier où le taux d’arrestation est le plus élevé, étant donné l’exposition relativement plus grande des résidents de ce quartier aux activités policières (pour des raisons sans rapport avec les contrôles routiers). Par conséquent, un système logiciel de suivi de la fréquence globale des contrôles pourrait éloigner les agents des quartiers qui connaissent un taux de procès-verbal élevé (du moins dans les limites du possible). »

72On le voit, le dosage des patrouilles procède par un contrôle algorithmique graduel qui limite de manière progressive le nombre de contrôles et de procès-verbaux qui lui est associé jusqu’à atteindre une sorte d’optimum de policing harms. Autrement dit, il s’agit d’optimiser de manière non linéaire la quantité de contrôle acceptable en temps réel. En collectant les données des contrôles routiniers, une machine possède un point de vue global sur la fréquence des contrôles policiers sur le territoire. Elle est donc une sorte d’intelligence morale qui, à un instant donné, connaîtrait les tendances du crime, la situation des ressources sur le territoire et la distribution du contrôle de personnes innocentes. Elle encourage la police à adopter un comportement en prenant en charge le calcul du seuil acceptable des nuisances de la police. Bien qu’il ne s’agisse que d’une proposition théorique et provisoire, le livre blanc d’Hunchlab laisse entrevoir les premières briques d’une solution opérationnelle au problème moral de la distribution du contrôle de la police dans une population donnée par la conduite de l’allocation optimale des ressources policières pour un moindre mal commun nécessaire.

73C’est donc une norme quantitative qui permet de rendre justice, corriger les comportements de la police et, partant, dire le droit à la protection contre les contrôles abusifs que garantit le Quatrième amendement. Prédire le crime, c’est intégrer des règles d’action dans le paramétrage des machines, plaçant dans le calcul la clé de l’harmonie sociale (Supiot, 2015).