OPEN MENU.

Global Witness

BLOG | 9 NOVEMBRE 2018

Comment utiliser l’intelligence artificielle pour nous aider à lutter contre la corruption dans le secteur
minier ?

Share this

Tweet

Partager Facebook

Partager LinkedIn

Lire ce contenu en:

English

RESPONSIBLE MINERALS

R.D. CONGO

Les minerais constituent un pilier essentiel de notre vie quotidienne, qu’ils se trouvent dans les voitures
et les smartphones que nous utilisons, dans les infrastructures et l’architecture qui nous entourent, ou
dans une multitude d’autres produits. Ils stimulent le développement économique de nombreux pays et
pourraient devenir le moteur de celui de beaucoup d’autres. Néanmoins, souvent extraits et
commercialisés dans des régions non sécurisées, frappées par la pauvreté et échappant à toute
réglementation, ils peuvent aussi enrichir quelques poignées d’individus sans scrupules.

Avoir accès à des données fiables sur l’extraction et le commerce des minerais s’avère ardu. Cela peut
être dû à des problèmes d’accès physique (par exemple au Myanmar ou en RDC), au fait que les
entreprises et les gouvernements se montrent peu disposés à agir dans une plus grande transparence,
ou à un manque de capacité technique des fournisseurs. En raison de ce déficit d’informations, il est
d’autant plus difficile d’enquêter sur les pratiques des entreprises et d’exposer les actes répréhensibles.
Image

OPEN MENU.
Global Witness

BLOG | 9 NOVEMBRE 2018

Comment utiliser l’intelligence artificielle pour nous aider à lutter contre la corruption dans le secteur
minier ?

Share this

Tweet

Partager Facebook

Partager LinkedIn

Lire ce contenu en:

English

RESPONSIBLE MINERALS

R.D. CONGO

Les minerais constituent un pilier essentiel de notre vie quotidienne, qu’ils se trouvent dans les voitures
et les smartphones que nous utilisons, dans les infrastructures et l’architecture qui nous entourent, ou
dans une multitude d’autres produits. Ils stimulent le développement économique de nombreux pays et
pourraient devenir le moteur de celui de beaucoup d’autres. Néanmoins, souvent extraits et
commercialisés dans des régions non sécurisées, frappées par la pauvreté et échappant à toute
réglementation, ils peuvent aussi enrichir quelques poignées d’individus sans scrupules.

Avoir accès à des données fiables sur l’extraction et le commerce des minerais s’avère ardu. Cela peut
être dû à des problèmes d’accès physique (par exemple au Myanmar ou en RDC), au fait que les
entreprises et les gouvernements se montrent peu disposés à agir dans une plus grande transparence,
ou à un manque de capacité technique des fournisseurs. En raison de ce déficit d’informations, il est
d’autant plus difficile d’enquêter sur les pratiques des entreprises et d’exposer les actes répréhensibles.

L’importance de l’imagerie par satellite

Itrui province imagery

LES FORÊTS DENSES DE L’EST DE LA RDC ET LA COUVERTURE NUAGEUSE TROPICALE POURRAIENT AVOIR
GÊNÉ LA RÉSOLUTION DES IMAGES SATELLITES DE LANDSAT. IMAGE SATELLITE VOILÉE DE LANDSAT 8
SUPERPOSÉE SUR UNE CARTE À HAUTE RÉSOLUTION. MINE DE PARADISO (SITE D’EXPLOITATION
ARTISANALE DE L’OR), PROVINCE D’ITURI.

C’est là que les images satellites entrent en jeu. Les données générées par les satellites, et dans certains
cas par les drones, pourraient fournir aux citoyens, aux chercheurs et aux journalistes un accès sans
précédent aux marqueurs géographiques de l’activité minière. Ces données pourraient être utilisées
pour vérifier les statistiques officielles et les divergences dans les signaux d’alerte relevés, ou en tant
que variables de substitution lorsqu’il n’existe aucune statistique, devenant dès lors un outil important
pour réclamer des comptes au secteur minier.

Si elles sont utilisées de façon responsable, les images satellites peuvent également être employées par
les entreprises pour les aider à identifier les risques dans leurs chaînes d’approvisionnement (tels que
des divergences entre la position géographique des mines et les statistiques d’exportations afin de
déceler la contrebande transfrontalière) et par les gouvernements pour surveiller des régions pourtant
difficilement accessibles.

Ici à Global Witness, nous avons passé manuellement en revue des images satellites à haute résolution
pour obtenir l’éclairage nécessaire dans nos investigations, par exemple en observant l’extraction du talc
par l’État islamique en Afghanistan et l’exploitation forestière en Papouasie Nouvelle Guinée. Mais cela
requiert souvent une connaissance préalable de ce que l’on cherche, et, plus important peut-être, cela
demande énormément de temps – c’est pratique lorsque la zone est petite, mais moins lorsqu’il s’agit
d’une région plus étendue.

Le rôle de l’intelligence artificielle

Les évolutions dans l’intelligence artificielle et l’apprentissage automatique, aussi appelé apprentissage
machine, peuvent apporter une solution aux défis posés par l’utilisation d’images satellites. Les
algorithmes informatiques peuvent aujourd’hui être programmés pour rechercher dans des images des
marqueurs spécifiques qui sont soit trop subtils pour être identifiés par un humain, soit prendraient trop
de temps pour qu’un humain parvienne à les déceler.
Dans d’autres domaines, ces approches améliorent déjà notre vie. Des scientifiques ont élaboré des
programmes qui sont meilleurs que les médecins pour détecter une maladie dans les scans rétiniens, et
des images satellites accessibles au public sont déjà utilisées par les protecteurs de l’environnement
pour détecter et estimer la diminution de la couverture forestière.

L’année dernière, Global Witness s’est associée à DataKind et NRGI pour explorer la faisabilité d’une
utilisation d’images satellites et de l’intelligence artificielle pour déceler automatiquement certains
types d’activité minière sur un large territoire. À notre connaissance, ce type de projet n’a jamais été
réalisé avec succès auparavant.

Nous avons entrepris de mettre au point un programme informatique capable d’identifier

automatiquement la position géographique de mines en utilisant l’imagerie par satellite. Dans le cadre
de ce premier essai, nous nous sommes focalisés sur l’exploitation minière à petite échelle dans l’est de
la République démocratique du Congo – pour deux raisons :

Les petites mines sont plus difficilement repérables que les mines industrielles plus grandes, qui ont des
marqueurs plus visibles et plus nombreux. Si nous y parvenions avec les petites mines, nous savions que
nous pourrions aussi aisément utiliser le modèle/les données pour identifier les plus grandes.

Nous avions des « données d’apprentissage » facilement disponibles pour cette région et ce type de
mine. Image

OPEN MENU.

Global Witness

BLOG | 9 NOVEMBRE 2018

Comment utiliser l’intelligence artificielle pour nous aider à lutter contre la corruption dans le secteur
minier ?

Share this

Tweet

Partager Facebook

Partager LinkedIn
Lire ce contenu en:

English

RESPONSIBLE MINERALS

R.D. CONGO

Les minerais constituent un pilier essentiel de notre vie quotidienne, qu’ils se trouvent dans les voitures
et les smartphones que nous utilisons, dans les infrastructures et l’architecture qui nous entourent, ou
dans une multitude d’autres produits. Ils stimulent le développement économique de nombreux pays et
pourraient devenir le moteur de celui de beaucoup d’autres. Néanmoins, souvent extraits et
commercialisés dans des régions non sécurisées, frappées par la pauvreté et échappant à toute
réglementation, ils peuvent aussi enrichir quelques poignées d’individus sans scrupules.

Avoir accès à des données fiables sur l’extraction et le commerce des minerais s’avère ardu. Cela peut
être dû à des problèmes d’accès physique (par exemple au Myanmar ou en RDC), au fait que les
entreprises et les gouvernements se montrent peu disposés à agir dans une plus grande transparence,
ou à un manque de capacité technique des fournisseurs. En raison de ce déficit d’informations, il est
d’autant plus difficile d’enquêter sur les pratiques des entreprises et d’exposer les actes répréhensibles.

L’importance de l’imagerie par satellite

Itrui province imagery

LES FORÊTS DENSES DE L’EST DE LA RDC ET LA COUVERTURE NUAGEUSE TROPICALE POURRAIENT AVOIR
GÊNÉ LA RÉSOLUTION DES IMAGES SATELLITES DE LANDSAT. IMAGE SATELLITE VOILÉE DE LANDSAT 8
SUPERPOSÉE SUR UNE CARTE À HAUTE RÉSOLUTION. MINE DE PARADISO (SITE D’EXPLOITATION
ARTISANALE DE L’OR), PROVINCE D’ITURI.

C’est là que les images satellites entrent en jeu. Les données générées par les satellites, et dans certains
cas par les drones, pourraient fournir aux citoyens, aux chercheurs et aux journalistes un accès sans
précédent aux marqueurs géographiques de l’activité minière. Ces données pourraient être utilisées
pour vérifier les statistiques officielles et les divergences dans les signaux d’alerte relevés, ou en tant
que variables de substitution lorsqu’il n’existe aucune statistique, devenant dès lors un outil important
pour réclamer des comptes au secteur minier.
Si elles sont utilisées de façon responsable, les images satellites peuvent également être employées par
les entreprises pour les aider à identifier les risques dans leurs chaînes d’approvisionnement (tels que
des divergences entre la position géographique des mines et les statistiques d’exportations afin de
déceler la contrebande transfrontalière) et par les gouvernements pour surveiller des régions pourtant
difficilement accessibles.

Ici à Global Witness, nous avons passé manuellement en revue des images satellites à haute résolution
pour obtenir l’éclairage nécessaire dans nos investigations, par exemple en observant l’extraction du talc
par l’État islamique en Afghanistan et l’exploitation forestière en Papouasie Nouvelle Guinée. Mais cela
requiert souvent une connaissance préalable de ce que l’on cherche, et, plus important peut-être, cela
demande énormément de temps – c’est pratique lorsque la zone est petite, mais moins lorsqu’il s’agit
d’une région plus étendue.

Le rôle de l’intelligence artificielle

Les évolutions dans l’intelligence artificielle et l’apprentissage automatique, aussi appelé apprentissage
machine, peuvent apporter une solution aux défis posés par l’utilisation d’images satellites. Les
algorithmes informatiques peuvent aujourd’hui être programmés pour rechercher dans des images des
marqueurs spécifiques qui sont soit trop subtils pour être identifiés par un humain, soit prendraient trop
de temps pour qu’un humain parvienne à les déceler.

Dans d’autres domaines, ces approches améliorent déjà notre vie. Des scientifiques ont élaboré des
programmes qui sont meilleurs que les médecins pour détecter une maladie dans les scans rétiniens, et
des images satellites accessibles au public sont déjà utilisées par les protecteurs de l’environnement
pour détecter et estimer la diminution de la couverture forestière.

L’année dernière, Global Witness s’est associée à DataKind et NRGI pour explorer la faisabilité d’une
utilisation d’images satellites et de l’intelligence artificielle pour déceler automatiquement certains
types d’activité minière sur un large territoire. À notre connaissance, ce type de projet n’a jamais été
réalisé avec succès auparavant.

Nous avons entrepris de mettre au point un programme informatique capable d’identifier

automatiquement la position géographique de mines en utilisant l’imagerie par satellite. Dans le cadre
de ce premier essai, nous nous sommes focalisés sur l’exploitation minière à petite échelle dans l’est de
la République démocratique du Congo – pour deux raisons :
Les petites mines sont plus difficilement repérables que les mines industrielles plus grandes, qui ont des
marqueurs plus visibles et plus nombreux. Si nous y parvenions avec les petites mines, nous savions que
nous pourrions aussi aisément utiliser le modèle/les données pour identifier les plus grandes.

Nous avions des « données d’apprentissage » facilement disponibles pour cette région et ce type de
mine.

L’apprentissage du modèle

Masks for training data

Pour mettre au point le modèle, nous avons utilisé une technique appelée l’apprentissage automatique
ou apprentissage machine. L’apprentissage automatique est une branche de l’intelligence artificielle qui
a une variété d’applications dans la vie quotidienne, de Google Translate au filtrage anti-spam.
Statistiquement, nous avons cherché à prédire la position géographique de sites miniers. Cela consistait
à attribuer une probabilité qu’un pixel déterminé d’un morceau d’image satellite représente en fait une
partie de mine.

En premier lieu, nous avions besoin d’images satellites, et même de beaucoup d’images satellites. Il
fallait qu’elles soient rapidement accessibles au logiciel que nous allions mettre au point et il fallait
qu’elles soient gratuites. Étonnamment, un service appelé Google Earth Engine met aujourd’hui à
disposition sur le cloud, précisément dans ce but, des données historiques du satellite Landsat. Landsat
passe aux mêmes endroits sur terre tous les seize jours. Il s’agit d’un outil extraordinairement puissant
qui vous permet d’analyser des changements dynamiques dans le paysage et l’environnement
susceptibles d’indiquer la présence d’une activité minière.

En deuxième lieu, nous avions besoin d’un ensemble de données d’ « apprentissage » avec la position
réelle de certaines mines artisanales connues. L’algorithme pouvait alors « apprendre » à quoi
ressemble un pixel associé à une mine et prédire plus précisément où pourraient exister d’autres mines.
Trouver un ensemble de données d’apprentissage de mines artisanales de l’est de la RDC aurait pu se
révéler difficile, mais nous avons eu la chance d’avoir accès à des données collectées par l’International
Peace Information Service (IPIS).

Notre équipe de volontaires experts en science des données a alors élaboré une application pour
délimiter chacune des mines identifiées par IPIS, dessinant concrètement des formes dans des contours
(voir image ci-dessous).
Ces formes – qui représentaient des sites miniers connus – ont ensuite pu être introduites dans notre
algorithme d’apprentissage-machine pour l’apprentissage du modèle. Les volontaires ont découvert que
ce que l’on appelle les « forêts aléatoires » (rien à voir avec de vraies forêts !) étaient les algorithmes les
plus efficaces pour prédire l’existence de sites miniers.

L’efficacité du modèle a été évaluée en voyant combien de sites miniers connus (mais « non vus ») dans
l’ensemble de données d’IPIS il était capable d’identifier précisément, alors que son apprentissage ne
portait que sur une portion partielle des données. L’idée étant que plus il pourrait identifier ces sites
miniers, plus il serait à même d’identifier des sites miniers totalement nouveaux ou non identifiés
précédemment.

Les résultats se sont révélés prometteurs. Le meilleur modèle a pu identifier 79,7% des mines connues.
L’inconvénient – et ce sur quoi il faudra travailler davantage – est que le modèle présentait un taux
élevé de faux positifs. Cela signifie qu’il a souvent identifié des pixels associés à des mines à des endroits
où aucune activité minière n’était présente. De tous les pixels qui ne représentaient pas des fragments
de sites miniers connus, le modèle n’a pu identifier correctement que 48,4% d’entre eux.image

Et maintenant ?

Bien que le modèle doive encore être considérablement peaufiné, il a clairement montré qu’il s’agissait
d’une piste intéressante pour de futures recherches.

Comme avec toute technologie, il a ses limites et pourrait être détourné à des fins privées ou
commerciales, ou il pourrait être utilisé à mauvais escient, contribuant alors à perpétuer certains
modèles actuels de commerce irresponsable.

Afin d’atténuer ces risques, nous pensons que le développement open source – processus qui rend le
code informatique et ses outputs librement disponibles pour tous – est un exercice crucial pour des
organisations, telles que la nôtre, qui prônent l’obligation de rendre des comptes. Il crée des
écosystèmes d’information qui servent l’intérêt du public et produisent des connaissances pouvant être
utilisées par tout un chacun.

L’alternative est que l’innovation technologique ait lieu dans des écosystèmes propriétaires fermés ou «
jardins clos ». Les systèmes propriétaires peuvent renforcer les asymétries d’information lorsque
certains puissants acteurs – qu’il s’agisse de gouvernements, d’entreprises ou d’individus – suppriment
des informations, qu’ils utilisent eux-mêmes à leur avantage.
Nous cherchons à travailler avec des technologues en RDC et ailleurs pour améliorer et explorer les
applications des programmes que nous avons produits. Si vous vous sentez concerné, merci de prendre
contact avec nous à cette adresse : sleon@globalwitness.org.

DataKind a rendu open source tous les codes produits et nous espérons que cela pourra dynamiser
l’innovation dans ce domaine au service du progrès social. Pour les développeurs, les pirates
informatiques citoyens et les universitaires intéressés dans l’élaboration du modèle que nous avons
créé, le code source est disponible ici sur Github.