Cette pièce a été écrite par Rebeca Moreno Jimenez, scientifique des données au Service de l'innovation du Haut-Commissariat des Nations Unies pour les réfugiés.

Dans le monde du marketing, l'apprentissage automatique a été utilisé pour traiter de grandes quantités d'informations afin d'améliorer les services aux clients.

Dans le secteur humanitaire, les applications d'IA sont un nouveau domaine d'exploration. Ils peuvent permettre aux humanitaires, aux innovateurs et aux spécialistes des données de compiler, traiter et visualiser d'énormes quantités de données en quelques secondes.

De nombreuses urgences humanitaires sont complexes et les premiers intervenants ne disposent souvent que d'informations partielles. Pour avoir une image complète d'une situation complexe, de nombreux éléments doivent être analysés. Malheureusement, les humains ne peuvent pas compiler toutes les différentes informations dans le court laps de temps nécessaire pour répondre. Et c'est précisément là que les machines peuvent aider.

• Tu veux écrire pour nous? Jetez un œil au guide d' Apolitical pour les contributeurs

Big Data: défis et opportunités dans le contexte humanitaire

Selon le contexte, afin d'avoir une image complète d'une situation spécifique, les humanitaires utilisent fréquemment des procurations: des points de données qui ne sont pas directement pertinents, mais qui fournissent des aperçus échantillonnés de certains problèmes qui leur sont complètement inconnus.

Ces informations se retrouvent souvent dans les formes traditionnelles de données: informations de recensement, enquêtes, notes de discussion de groupes de discussion ou entretiens avec des informateurs clés.

Cependant, des informations supplémentaires peuvent également être trouvées dans d'autres formes de données: émissions radio, données géospatiales, enregistrements de données d'appels, appareils portables et médias sociaux - pour n'en citer que quelques-unes.

La quantité de données produites par ces sources de données non traditionnelles est énorme et généralement «lourde». Par exemple, Twitter produit une énorme quantité de données en quelques secondes. On estime qu'environ 200 milliards de tweets sont produits en un an ( 6 000 tweets par seconde ).

La quantité d'énergie et de temps dont nos collègues du HCR, en particulier nos collègues de la communication, auraient besoin pour compiler et analyser les résultats pour répondre à des questions spécifiques constitueraient un défi pour leur travail déjà onéreux. Certains d'entre eux l'ont fait manuellement, en compilant des informations significatives .

Mais pour intensifier ce processus, et surtout, pour pouvoir le quantifier avec un certain degré de signification statistique, les humanitaires peuvent s'appuyer sur des machines: pour échantillonner, compiler et cataloguer des données en temps réel.

Former une machine pour détecter la xénophobie

En 2015, le Service de l'innovation du HCR s'est associé à UN Global Pulse, l'initiative des Nations Unies pour l'analyse des mégadonnées, afin de trouver des informations supplémentaires sur un environnement en évolution rapide: la situation des réfugiés méditerranéens.

Les équipes ont utilisé l'apprentissage automatique pour «trouver», «lire», «compiler» et «cataloguer» les tweets, essayant de trouver des intentions de mouvement ou des commentaires sur la prestation de services qui inciteraient au mouvement. Bien que certains commentaires soient pertinents, l'échantillon de tweets trouvé n'était pas suffisant pour fournir des preuves mathématiques solides.

Cependant, la machine a trouvé des commentaires anormaux qui ont été particulièrement exacerbés lors des incidents terroristes en Europe . Chaque fois qu'un nouvel incident se produisait - Munich, Paris, Berlin pour nommer certains des événements clés - des messages avec un sentiment négatif envers les réfugiés apparaissaient dans différentes parties du monde. Parfois, ces postes avaient même une association négative avec les réfugiés aux incidents.

Les équipes ont ensuite recyclé la machine avec un parti pris fondé sur les droits de l'homme: pour trouver des commentaires démontrant la xénophobie. L'équipe a `` enseigné '' à une machine à `` apprendre '' à lire, à compiler, à catégoriser, à anonymiser et à agréger différents types de publications Twitter, dans différentes langues et entre les villes, et à quantifier à la fois la xénophobie et les commentaires favorables à l'intégration.

Nous avons rédigé un livre blanc pour partager le processus et les résultats quantitatifs de l'expérimentation de l'apprentissage automatique pour comprendre la dimension du sentiment dans la région. Il pourrait être utilisé comme preuve pour les organisations humanitaires préparant une campagne de plaidoyer ou rédigeant des recommandations politiques pour lutter contre la xénophobie. Pour les équipes du HCR, il pourrait servir à diriger leurs initiatives de protection à base communautaire, en comprenant les principaux problèmes que rencontrent les réfugiés lorsqu'ils arrivent dans un nouveau pays.

La promesse de l'apprentissage automatique: plus de questions que de réponses

En utilisant l'apprentissage automatique, les deux équipes ont eu un aperçu des preuves sur les questions liées à l'intégration pour une région. Cependant, en science des données - où les données sont les plus importantes - les informations suscitent toujours plus de questions.

Après avoir analysé certains des résultats, les équipes ont réfléchi aux questions suivantes: A) comment pouvons-nous utiliser l'IA à des fins de plaidoyer dans d'autres régions? B) comment pouvons-nous aider d'autres agences et organisations à utiliser ces outils afin de comprendre des contextes complexes où les médias sociaux ne sont pas répandus, ou où il n'y a pas d'électricité / de connectivité? De plus, lorsque davantage de murs s'élèvent, C) comment pouvons-nous tirer parti de l'IA pour analyser les mégadonnées et créer un contre-récit pour le discours de haine? Et enfin, D) comment traduire l'intégration et la lutte contre la xénophobie dans un monde numérique?

Si vous avez une réponse à l'une de ces questions ou souhaitez expérimenter avec nous, n'hésitez pas à nous contacter. Nous avons des «robots» qui pourraient aider à certaines tâches. - Rebeca Moreno Jimenez

Une version plus longue de cet article a été initialement publiée sur le blog du HCR.

(Crédit photo: Flickr / HCR Photo Unit)