Comment les améliorations de l’apprentissage automatique contribuent à lutter contre la traite des êtres humains

La lutte contre la traite des êtres humains a un côté David et Goliath. Les réseaux de traite sont un fléau mondial avec environ 25 millions de victimes et 150 milliards de dollars de profits annuels. Cependant, les agences et les ONG chargées d’arrêter les trafiquants sont généralement petites et manquent de ressources. Récemment, un outil technologique est apparu pour aider à combler cette lacune : les algorithmes d’apprentissage automatique (ML).

Amorcés avec suffisamment de données pertinentes, ces algorithmes peuvent trouver des indices cachés sur la façon dont les trafiquants opèrent et sur ce qu’ils sont susceptibles de faire à l’avenir. En principe, les agences de lutte contre la traite peuvent utiliser les prédictions de ML pour diriger leurs maigres ressources vers les zones les plus à risque.

Abhishek Ray, professeur adjoint dans le domaine des systèmes d’information et de la gestion des opérations à la George Mason University School of Business, a ajouté son expertise à cet effort. Avec les collaborateurs Viplove Arora (chercheur post-doctoral à SISSA, Italie), Kayse Maass (de l’Université Northeastern) et Mario Ventresca (de l’Université Purdue), Ray a développé un modèle qui réduit les conjectures de la mise en œuvre des prédictions ML.

Comme l’explique Ray, le modèle fournit une « couche supérieure » pour améliorer les résultats des solutions ML existantes. Armé des taux de réussite et d’échec (c’est-à-dire, vrais/faux négatifs et détections positives de trafic) d’une agence de lutte contre la traite, il recherche des scénarios dans lesquels l’agence pourrait obtenir le même nombre de succès avec moins d’erreurs.

Dans un article récemment publié dans Transactions IISERay et ses co-auteurs appliquent leur modèle à deux agences réelles : Global Fishing Watch (GFW), qui cible le trafic dans l’industrie mondiale des produits de la mer, et Love Justice International (LJI), qui surveille les stations de transit sur la liaison Inde-Népal. frontière.

La solution ML employée par GFW croise une grande base de données sur l’activité des navires de pêche, obtenue par satellite, avec des données d’application de la loi sur la traite des êtres humains. Les prédictions qui en résultent indiquent les types de navires, les comportements et les caractéristiques que l’agence devrait surveiller de plus près.

Mais les criminels apprennent parfois plus vite que les machines. « Si quelqu’un est pris sur un long chalutier et qu’il sait qu’il peut se faire prendre, il ne retournera plus jamais sur le long chalutier », explique Ray. L’évolution des tactiques des trafiquants peut ne pas être entièrement capturée dans des ensembles de données vastes et étendus, tels que ceux dérivés de la surveillance des navires par satellite. Les changements dans les taux de réussite des agences, en revanche, sont plus proches de l’action et peuvent reprendre les dernières étapes de ce jeu du chat et de la souris.

En examinant les données de l’agence de 2012 à 2018, les chercheurs ont découvert que si leur modèle avait été utilisé parallèlement au ML, GFW aurait probablement découvert plus de cas de trafic tout en commettant beaucoup moins de faux négatifs et de faux positifs. De plus, les recommandations de surveillance ont considérablement changé au cours des six années. Par exemple, dans certaines conditions, les palangriers dérivants étaient les suspects les plus probables pour les années 2012-2017. En 2018, cependant, les turluttes de calmar les ont remplacés et ont été pointés du doigt parmi les plus suspects. Ces priorités réorganisées peuvent refléter le fait que les trafiquants changent de navire de choix pour échapper à la détection.

Dans le cas de Love Justice International, le modèle de Ray pourrait servir de solution de contournement pour des contraintes telles qu’une pénurie de personnel bien formé. LJI pourrait saisir un résultat cible dans l’algorithme, tel qu’un nombre de base d’ID de trafiquants positifs, et recevoir des recommandations sur la meilleure façon d’utiliser les ressources limitées.

Pour Ray, la lutte contre la traite des êtres humains est personnelle. Alors qu’il grandissait à Kolkata, en Inde, il était pris en charge par une employée de maison qui, comme ses parents l’ont découvert plus tard, avait été victime de la traite lorsqu’elle était elle-même enfant. « J’ai appris cela lorsque je faisais mon doctorat aux États-Unis », dit-il. « C’est comme si on vous enlevait une partie de votre enfance. Vous êtes entré en contact avec quelque chose de criminel et vous n’avez rien compris. »

« Si je pouvais apporter une contribution à la résolution du problème, je considérerais cela comme une sorte de restitution de ce que j’avais pris sans le savoir. »

Pour tirer pleinement parti de la solution ML « layer on top » de Ray, les agences de lutte contre le trafic doivent créer des systèmes efficaces de collecte et de centralisation des données. Selon le contexte, cela pourrait présenter des défis allant de la limitation des ressources à un climat politique où les données sur la traite pourraient être utilisées contre les personnes déjà victimes. « La valeur maximale de notre framework est lorsqu’il agit en temps réel avec des données en temps réel », déclare Ray.