L’apprentissage automatique permet de détecter des signaux d’alerte précoces en cas d’instabilité sociale
Le Cyber-Defence Campus d’armasuisse Science et technologies (S+T) a développé de nouvelles techniques d’apprentissage automatique en collaboration avec la start-up giotto.ai et l’EPF Lausanne. Grâce à ces nouvelles techniques, les signaux d’alerte précoces d’événements socialement perturbateurs tels que les émeutes, les guerres ou les révolutions peuvent être détectés et identifiés dans les médias sociaux.
Dr Étienne Voutaz, domaine spécialisé Cybersécurité et Data Science, domaine de compétences armasuisse Science et technologies
Une nouvelle technologie a été développée pour détecter les signaux d’alerte précoces annonciateurs d’instabilité sociale. La détection et l’identification de ces signaux d’alerte se font dans les médias sociaux.
Les réseaux sociaux jouent un rôle considérable dans la formation de l’opinion publique et l’émergence de mouvements sociaux. Les événements sociaux perturbateurs tels que les manifestations, les protestations, les révolutions, les émeutes ou même les guerres peuvent trouver leur point de départ dans les médias sociaux. Aujourd’hui, il est par exemple reconnu que ceux-ci ont joué un rôle prépondérant dans l’émergence du Printemps arabe en 2011. Il est donc essentiel de pouvoir détecter à temps l’apparition de tels événements.
C’est pourquoi le Cyber-Defence Campus et l’entreprise giotto.ai ont mis au point de nouvelles techniques d’apprentissage automatique pour détecter des signaux d’alerte précoces (early warning signals) permettant de prédire de tels événements.
Ces nouvelles méthodes sont innovantes à quatre égards : tout d’abord, elles sont robustes. Cela signifie qu’un modèle de reconnaissance formé à un certain type de données sera en mesure de reconnaître des événements similaires, mais pas identiques. Deuxièmement, peu de données d’apprentissage suffisent pour obtenir des résultats aussi bons, voire meilleurs, que ceux obtenus avec l’utilisation de grands modèles linguistiques (Large Language Model). Troisièmement, une approche géographique, associée à l’utilisation d’algorithmes classiques d’apprentissage automatique, permet d’éviter de recourir à l’apprentissage en profondeur (deep learning) et son manque d’explicabilité. Quatrièmement, ces méthodes ne nécessitent pas d’accès aux données personnelles. Pour l’avenir, on donc peut dire que les méthodes utilisées sont prometteuses, mais qu’elles nécessitent des tests et des développements supplémentaires pour être validées.