Le modèle de prévision des inspections alimentaires de Chicago — classer les restaurants selon le risque d'infraction pour détecter les problèmes plus tôt

En 2014, le département de la Santé publique de Chicago, en collaboration avec le département de l'Innovation et de la Technologie, la Civic Consulting Alliance et Allstate Insurance, a construit un modèle d'apprentissage automatique pour prévoir quels établissements alimentaires étaient les plus susceptibles de présenter des infractions critiques à la sécurité alimentaire.

Réallouer plus efficacement un nombre fixe d'inspections de sécurité alimentaire en priorisant les établissements les plus susceptibles de présenter des infractions critiques, sans réduire la surveillance ni remplacer le jugement des inspecteurs.

Le modèle a noté les établissements sous licence à partir d'environ 100 000 inspections passées, des plaintes 311 à proximité, de la météo, des cambriolages signalés, du statut de la licence, du type d'établissement et du temps écoulé depuis la dernière inspection. Un pilote formel s'est déroulé de septembre à octobre 2014, comparant l'ordre d'inspection classé par le modèle au calendrier normal de Chicago (guidé par les plaintes et la rotation) sur 1 637 établissements, dont 258 présentaient des infractions critiques.

Les inspecteurs travaillant sur la liste du modèle ont trouvé 69 % des établissements présentant des infractions critiques (178 sur 258) dans la première moitié du calendrier, contre 55 % avec la pratique standard, et ont détecté les problèmes environ 7,5 jours plus tôt en moyenne. La ville a estimé que le modèle aurait permis de détecter 37 établissements contrevenants supplémentaires au cours du seul premier mois. Une analyse rétrospective académique indépendante de 2019 (arXiv:1910.04906) a reproduit les résultats, jugeant les gains rapportés globalement robustes tout en signalant des réserves méthodologiques sur la construction de la comparaison initiale.

Chicago a publié ouvertement le code source complet, les données d'entraînement et la méthodologie d'évaluation sur GitHub, faisant de ce projet une référence largement citée pour un scoring de risque gouvernemental ouvert et auditable, bien qu'aucun cas confirmé d'une autre ville adoptant opérationnellement la même base de code n'ait été trouvé.