L’IA et l’apprentissage automatique peuvent prédire et expliquer les risques sociaux pour des opérations de développement plus efficaces

Au moment où le Gouvernement de l’Afrique du Sud a contacté l’équipe du Programme de financement des risques de catastrophe (DRF) de la Banque mondiale pour lui demander d’étendre son champ d’action au-delà des catastrophes naturelles en incluant les risques sociaux tels que la violence sociale, une problématique qui coûte chaque année 45,6 milliards de dollars (13 % du PIB) à l’Afrique du Sud, nous avions déjà commencé à nous pencher sur la question. Nous cherchions à saisir la manière à la fois dynamique et complexe dont les risques sociaux interagissent avec les urgences de santé publique, les échanges commerciaux, les conflits, les conditions météorologiques extrêmes et la perception qu’en ont les populations dans différents endroits : un ensemble communément appelé « polycrise ».

Grâce au soutien financier du fonds fiduciaire Risk Finance Umbrella (RFU) et du Global Shield Financing Facility, nous avons exploré le potentiel de l’IA pour mesurer, prédire et expliquer les risques sociaux, avec pour objectif d’améliorer la préparation et l’impact des projets de développement. Nous avions l’espoir que, si les modèles d’IA pouvaient prédire avec précision les évolutions des phénomènes sociaux, et identifier les facteurs qui les déterminent, nous pourrions ajuster plus efficacement la nature, l’ampleur, la localisation et le calendrier des activités de développement avant que les crises ne surviennent.

Nous savions que toute tentative de prédire le comportement humain impose de tenir compte des spécificités du contexte et de la complexité des dynamiques entre des millions de dimensions de la réalité et de ce que les individus en perçoivent (figure 1). Notre problématique consistait à identifier les phénomènes pertinents et à trouver les données appropriées pour les mesurer, c’est-à-dire des bases de données présentant une fréquence et un historique assez élevés pour permettre aux modèles d’apprentissage automatique d’observer suffisamment d’épisodes de changement. Pour certains phénomènes, tels que les variations de la taille d’une population ou du niveau de criminalité, notre équipe d’experts en science des données a dû appliquer l’IA à des articles de presse relatant des crimes, et à des images satellites des structures bâties, afin de produire des données appropriées à intégrer dans nos modèles.

Figure 1 : Facteurs issus des sciences sociales intégrés au modèle

Source : Banque mondiale

Notre équipe de spécialistes en sciences sociales a identifié les différentes dimensions qui constituent les environnements naturel, bâti et social, ainsi que le langage employé en ligne pour s’y référer, afin d’alimenter la collecte de données pour trois modèles de validation de principe prédisant la violence en République démocratique du Congo, les changements démographiques dans la Corne de l’Afrique, et les variations des niveaux de criminalité dans un petit État insulaire en développement. Aujourd’hui, nos modèles d’IA qui étudient les facteurs de risques sociaux influencent déjà la conception et la mise en œuvre des politiques et des opérations de la Banque mondiale en Afrique (et ailleurs), ainsi que les analyses ultérieures.

En République démocratique du Congo
En se concentrant sur trois provinces de l’est de la RDC historiquement en proie à des conflits (le Nord-Kivu, le Sud-Kivu et l’Ituri), notre premier modèle a prévu l’évolution du nombre d’événements conflictuels et a identifié, parmi des milliers de variables, les phénomènes les plus étroitement liés à ces variations. Parmi ceux-ci figuraient notamment les perceptions sur des sujets sensibles tels que la terre, l’exploitation minière, l’identité et la gouvernance, la taille des réserves officielles du gouvernement, le prix du sucre et le volume des exportations de cuivre.

Ce modèle alimente les analyses pays, notamment l’Évaluation des risques et de la résilience de la Banque mondiale, et participe à déterminer la nature, l’ampleur, la localisation, le déroulement et le calendrier des activités soutenues par la Banque mondiale, notamment le Projet de stabilisation et de relèvement dans l’est de la RDC (Stabilization and Recovery in Eastern DRC project, STAR Est) qui envisage un mécanisme de financement des risques pour répondre aux niveaux de conflit observés ou prévus.

Dans la Corne de l’Afrique
Dans les zones frontalières de la Corne de l’Afrique, au point de rencontre de l’Éthiopie, du Kenya et de la Somalie, un lieu où les données sont rares, notre équipe a utilisé l’imagerie satellite pour produire cinq années de données mensuelles sur la construction de bâtiments dans 56 villes, une variable indicatrice des changements démographiques. Un deuxième modèle a permis de prévoir les variations observables dans ces données : la figure 2 montre la forte influence des conflits et des facteurs économiques et environnementaux — ainsi que de la façon dont ils sont perçus par la société — sur les changements démographiques. Ces données ont servi de socle à la conception du projet Dérisquage, inclusion et valorisation des économies pastorales dans la Corne de l’Afrique, ou DRIVE (De-risking, Inclusion and Value Enhancement of Pastoral Economies in the Horn of Africa), qui explore actuellement une adaptation du modèle pour prévoir quels éléments de la chaîne d’approvisionnement du bétail affectent la vulnérabilité des agro-pasteurs. Le modèle sert également de base à la conception d’un modèle de prévision des risques de déplacement pour la phase II du projet Réponse au développement de l’Éthiopie face aux impacts des déplacements (Ethiopia Development Response to Displacement Impacts).

Figure 2. Lien entre les facteurs identifiés par le modèle et les variations de la taille de la population dans les zones frontalières de la Corne de l’Afrique

Source : Banque mondiale

Dans un petit État insulaire en développement
Nous nous sommes ensuite intéressés à la prévision et à l’explication du nombre de jours restant avant les prochains troubles sociaux et de l’évolution du niveau de criminalité dans un petit État insulaire en développement. Des experts en sciences sociales ont identifié le niveau de criminalité comme un facteur susceptible de provoquer des troubles ; cependant, nous avons été surpris de constater qu’il n’existait pas de données historiques suffisamment fréquentes et anciennes sur la criminalité. Ceci nous a amenés à utiliser un modèle linguistique agentique (LLM) pour produire ces données à partir d’articles de presse en ligne. Nous avons ensuite développé un modèle prédictif permettant de prévoir les variations quotidiennes de ces données de criminalité avec une précision de 87,1 % (figure 3). Nous avons alors analysé le modèle afin d’identifier les facteurs les plus associés à ces variations. Grâce à cela, nous avons pu produire, prévoir et identifier les facteurs associés, ce qui nous a permis de mesurer la criminalité afin d’alimenter l’Indice des politiques et des institutions nationales de la Banque mondiale en matière de criminalité et de violence pour l’élaboration du portefeuille de projets.

Figure 3 : Performance du modèle prédictif par rapport aux niveaux réels de criminalité constatés

Source : Banque mondiale

Les départements Politique sociale et Fragilité, conflits et violence (FCV) ont déjà fait progresser cette modélisation pour alimenter le premier mécanisme mondial de financement des risques de déplacement, permettant au Gouvernement de l’Ouganda d’adapter les capacités des services publics avant l’arrivée des réfugiés plutôt qu’en réaction à celle-ci.

Ces modèles innovants montrent que l’IA peut transformer la manière dont la Banque mondiale mesure, comprend et prédit les risques sociaux afin d’obtenir de meilleurs résultats en matière de développement dans toute une série d’applications, comme l’illustre la figure 4. À l’avenir, nous prévoyons de partager plus de détails sur ces modèles à mesure que les enseignements opérationnels seront acquis.

Figure 4 : Utilité des modèles d’IA prédictifs et explicatifs pour les Politiques, les opérations et la connaissance

Source : Banque mondiale