## La technologie au service du développement ## Source details **Canonical URL:** [La technologie au service du développement](https://www.imf.org/-/media/files/publications/fandd/article/2023/december/french/bjorkegren.pdf) ## Other formats - [Markdown version](/-/media/files/publications/fandd/article/2023/december/french/bjorkegren.pdf.md) - [Structured JSON version](/-/media/files/publications/fandd/article/2023/december/french/bjorkegren.pdf.json) --- ### Aperçu - L’intelligence artificielle (IA) entraîne une transformation en profondeur de l’économie des pays en développement, soulevant des risques (perturbation, mésinformation, surveillance) et offrant de nombreux bienfaits potentiels. - Le succès des solutions fondées sur l’IA dans les pays à faible revenu dépend de leur adaptation au contexte social et institutionnel local et de l’utilisation de données locales. ### Études de cas et applications concrètes - Togo - Le gouvernement a utilisé l’apprentissage automatique pour cibler l’aide monétaire pendant la pandémie de COVID-19. - Technologie initialement conçue pour le ciblage de la publicité en ligne a été utilisée pour recenser les habitants les plus pauvres. - Un système d’IA a traité des données transmises par des satellites et des opérateurs de téléphonie mobile pour déterminer des signes de la pauvreté (sous-développement des villages, abonnés avec peu de crédit). - Le ciblage a permis de s’assurer que les transferts en espèces parvenaient aux personnes qui en avaient le plus besoin (Aiken et al., 2022). - Collaboration entre gouvernement, chercheurs et organisations sans but lucratif : système de transfert de fonds par téléphone mobile compatible avec tous les abonnés, adaptation d’un logiciel d’apprentissage automatique, et enquêtes auprès de dizaines de milliers de bénéficiaires pour refléter la définition locale de la pauvreté. - Le système n’était pas destiné à être une solution pérenne et devait être progressivement retiré après la pandémie. - Préoccupation : les algorithmes performants en laboratoire peuvent manquer de fiabilité en conditions réelles; les comportements des individus peuvent évoluer pour contourner les règles de ciblage, compromettant l’efficacité. - Kenya - L’apprentissage automatique est utilisé pour déterminer l’admissibilité aux microcrédits sur la base de l’usage de la téléphonie mobile (Björkegren et Grissen, 2020). - Plus du quart des adultes ont contracté des emprunts en utilisant leur téléphone portable. - Risque de rétroaction : si les personnes ayant le plus grand réseau d’amis sur Facebook voient leur demande de crédit approuvée, d’autres pourraient élargir rapidement leur réseau pour améliorer leurs chances, affectant la capacité du programme à atteindre les personnes visées. - Étude avec le Busara Center au Kenya : les gens peuvent apprendre et adapter leur utilisation du téléphone mobile aux règles algorithmiques; un ajustement de l’algorithme qui anticipe ces réponses produit de meilleurs résultats (Björkegren, Blumenstock et Knight, à paraître). - Sierra Leone - TheTeacher.AI : agent conversationnel fondé sur l’IA adapté au programme d’enseignement national et accessible avec une mauvaise connexion Internet. - Phase d’essai : beaucoup d’enseignants ne pouvaient pas formuler des questions utiles, mais un petit groupe a utilisé régulièrement le système pour enseigner des concepts, planifier des leçons et élaborer des supports didactiques (Choi et al., 2023). - La formation et l’expérimentation ont été des prérequis à l’utilisation du système par les enseignants. ### Principales difficultés et risques - Localisation et adaptation - Les modèles d’IA développés dans les pays riches et formés sur des données locales riches ne se transposent pas automatiquement aux pays à faible revenu. - Les systèmes doivent être adaptés aux ressources matérielles et pédagogiques disponibles localement (par ex., enseignants sans tableaux blancs ni diapositives numériques). - Fiabilité en conditions réelles - Algorithmes efficaces en laboratoire peuvent être manipulés ou perdre en efficacité une fois déployés. - Exemple : comportements stratégiques des demandeurs de crédit ou des bénéficiaires d’aides. - Communication et compréhension - Difficulté à expliquer des algorithmes, même simples, dans des contextes où les compétences en lecture et en calcul sont plus faibles. - En situation d’urgence humanitaire, un algorithme de type « boîte noire » opaque peut être privilégié; en revanche, pour des mesures de protection sociale non urgentes, la transparence des critères d’admissibilité est souvent essentielle. - Les normes et valeurs relatives aux données et à la confidentialité varient selon les contextes : certains interlocuteurs ruraux au Togo étaient peu préoccupés par l’accès du gouvernement ou des entreprises à leurs données, mais s’inquiétaient de la diffusion des informations à leurs voisins. - Mésinformation et confiance - L’IA peut générer des photographies entièrement fausses et des appels robotisés reproduisant la voix d’une personne; il est important que les populations sachent quelles informations en ligne sont dignes de confiance. - Lacunes en matière de données et infrastructure du savoir - Les modèles d’IA disposent d’informations incomplètes sur les besoins, aspirations, état de santé des personnes à faible revenu, l’apparence des personnes et villages, et la structure des langues moins usuelles. - Certains systèmes pourraient mieux utiliser l’infrastructure numérique existante (serveurs, câbles de fibre optique, tours cellulaires, téléphones portables), mais d’autres nécessitent des investissements supplémentaires. ### Recommandations et implications pour les politiques - Investir dans l’infrastructure du savoir - Intégrer cliniques, écoles et entreprises dans des systèmes d’archivage numériques, accorder des incitations à leur utilisation et établir la légitimité des droits sur les données obtenues. - Combler les lacunes en matière de données, en particulier pour les populations pauvres et les langues moins usuelles. - Adapter les systèmes d’IA aux valeurs et conditions locales - Concevoir des modèles qui tiennent compte des ressources matérielles, des pratiques éducatives et des priorités locales. - Adapter les approches de déploiement (par ex., agents accessibles avec connexion faible). - Investir dans les capacités locales - Former et renforcer les capacités des développeurs et concepteurs locaux de systèmes d’IA afin que les innovations reflètent mieux les valeurs et priorités locales. - Garantir la fiabilité et la robustesse en condition opérationnelle - Tester et ajuster les algorithmes pour anticiper les réponses stratégiques des utilisateurs (manipulation-proof design). - Prévoir des mécanismes de validation et d’évaluation continue lors du déploiement sur le terrain. - Communication et transparence adaptées au contexte - Expliquer les critères d’admissibilité et les effets des systèmes lorsque la situation n’est pas urgente. - Développer des moyens simples et adaptés de communiquer le fonctionnement et les implications des algorithmes aux populations à faible littératie numérique. ### Conclusion — signes clés - L’IA offre de nombreuses applications utiles pour les démunis dans les pays en développement. - La difficulté centrale n’est pas d’imaginer les bienfaits potentiels, mais de s’assurer que les systèmes sont adaptés aux besoins des personnes et au contexte local, qu’ils sont robustes en conditions réelles, et qu’ils n’induisent pas de préjudice. *Source: bjorkegren* --- _Source: https://www.imf.org/-/media/files/publications/fandd/article/2023/december/french/bjorkegren.pdf_