Utilisation de l'IA pour identifier les salons de massage sommaires

Les anneaux de la traite des êtres humains sont les plus dangereux lorsqu'ils se faisaient passer pour une activité commerciale légitime. Les entreprises de massage illicites (IMB) sont l'une des façons les plus courantes dont les réseaux exploitants fonctionnent à la vue.

Le réseau, un organisme à but non lucratif anti-traite, estime qu'il y a plus de 13 000 IMB actifs aux États-Unis, entraînant des revenus totaux annuels de plus de 5 milliards de dollars.

« Vous êtes coincé dans une entreprise de massage. Vous n'êtes pas autorisé à sortir », explique Abhishek Ray, professeur adjoint de systèmes d'information et de gestion des opérations au Donald G. Costello College of Business de l'Université George Mason, décrivant le sort des travailleurs de l'IMB. « Vos passeports sont enlevés et vous êtes censé faire une certaine entreprise chaque jour et donner de l'argent au trafiquant. C'est une forme d'abus vraiment odieux. »

Ray fait partie d'un groupe croissant de chercheurs explorant comment diverses formes d'intelligence tificiale (IA) pourraient aider les agences d'application de la loi limitées en ressources à faire la différence entre les IMB et les entreprises légitimes qu'ils essaient d'imiter. Ses recherches en cours utilisant des réseaux de neurones graphiques ont donné des résultats plus prometteurs que les approches rivales lorsqu'ils sont mis à l'épreuve dans une expérience récente.

Ses co-chercheurs sur le projet IMB sont Lumina Albert et Swetha Varadarajan de la Colorado State University.

Selon Ray, « les réseaux de neurones graphiques ne sont qu'une façon sophistiquée de dire que si j'obtiens un graphique d'une ville ou d'une localité à un moment donné, et j'y ajoute des données, puis-je prédire les futurs modèles sur ce graphique si je connais le passé? »

Cette approche était logique pour la détection des IMB, car essayez qu'ils puissent apparaître au-dessus du conseil d'administration, ils ont des besoins géographiques que les entreprises conventionnelles n'ont pas. « Les IMB ne permettent pas à leurs employés de la traite de sortir du salon », explique Ray. « Mais comme ce sont des humains, ils ont besoin de subsistance. Ils doivent être près de l'épicerie, des stations-service, où ils peuvent obtenir des trucs et revenir. »

Les chercheurs ont combiné plusieurs réseaux de neurones graphiques dans un cadre (Imbwatch). L'ensemble de données de formation pour IMBWatch comprenait des informations accessibles au public telles que les avis des clients en ligne, les données d'arrestation et de raid pour les IMB connues, et les publicités de sites Web faisant la promotion d'activités illicites (par exemple, le tristement célèbre sac de backpage).

Le résultat, en essence, a été une série de instantanés cartographiant l'évolution du réseau IMB dans une ville ou un comté donné sur une période de temps. Cela pourrait alors être superposé sur les cartes géographiques pour démêler les motifs cachés.

Pour évaluer les performances relatives d'Imbwatch, les chercheurs l'ont lâché sur un ensemble de données de test aux côtés de quatre autres modèles d'IA, qui n'étaient pas aussi sensibles à l'interaction nuancée des facteurs spatiaux et temporels. Sur les cinq modèles, Imbwatch a fourni les prédictions les plus précises, précises et informatives. En d'autres termes, il a surpassé les autres à repérer les IMB parmi une plus grande masse d'entreprises locales.

Bien que encourageants, ces résultats nécessitent une confirmation supplémentaire avec un ensemble de données plus large. « Imbwatch a été formé sur les données de Géorgie et de la Louisiane, pas les États-Unis entiers », explique Ray. « C'étaient de petits ensembles de données gérables, mais nous allons maintenant passer à des États majeurs tels que New York et la Californie. »

Les chercheurs envisagent également d'améliorer Imbwatch avec des données liées à la façon dont les travailleurs finissent par se promener dans les réseaux de trafic. Ceux-ci peuvent inclure « la proximité des hôpitaux, des lieux religieux, etc. parce que la plupart du temps, les gens sont contraints par des compulsions religieuses, ou parce qu'elles sont enceintes et ont besoin de soins », dit Ray.

Ce n'est pas la première incursion de Ray dans le domaine de l'anti-traite alimentée par l'IA. Auparavant, Ray a co-développé un modèle pour améliorer la détection de l'apprentissage automatique de l'activité de la traite des êtres humains dans les stations de transport et sur les navires de pêche.

Cependant, les organismes d'application de la loi et d'autres parties prenantes pertinents (par exemple, les propriétaires d'entreprise) se méfient souvent d'adopter des solutions basées sur l'IA, en raison d'un manque de confiance dans la technologie. Ray et ses co-chercheurs conçoivent actuellement un cadre qui clarifiera comment ces parties prenantes peuvent travailler avec des experts en technologie et, peut-être surtout, des survivants de la traite des êtres humains pour faire le meilleur usage possible de l'IA.

« Cette pièce qualitative est nécessaire pour s'assurer que les personnes qui sont sur la touche, sur les clôtures de l'utilisation de cela commencent à l'utiliser, car c'est le besoin en ce moment », explique Ray.