Informations et preuves au Yémen : un cas d'utilisation de l'analyse prédictive et de la collaboration intersectorielle pour une action anticipatoire.

Enlisé dans une guerre civile depuis 2015, le Yémen est devenu l'une des pires crises humanitaires au monde. Ce conflit, qui trouve son origine dans l'échec du soulèvement du printemps arabe en 2011, exacerbe plusieurs autres problèmes. Déjà le pays le plus pauvre de la région, le conflit au Yémen a détruit son économie, ses infrastructures et ses moyens de subsistance.

Il a également entraîné des déplacements de population, une insécurité alimentaire et une pauvreté extrême. Selon les Nations unies, on estime qu'en 2021, 24,3 millions de personnes étaient menacées par la faim et la maladie, et que 14,4 millions d' entre elles avaient un besoin aigu d'assistance. En outre, 20,5 millions de personnes n'ont pas accès à l'eau potable et à l'assainissement, et 16,2 millions de personnes ont besoin d'une aide d'urgence en raison de la malnutrition et de l'insécurité alimentaire. En contrepartie, la pénurie alimentaire a entraîné l'apparition de maladies telles que le choléra et la dengue.

Les actions anticipatoires utilisant l'analyse prédictive dans les contextes humanitaires peuvent aller des modèles de prévision des inondations, à la cartographie des tendances de la faim, et à l'alerte précoce pour les épidémies de maladies telles que le choléra - toutes ces actions peuvent être utilisées pour sauver d'innombrables vies. Ces actions humanitaires, menées en amont d'un danger, nécessitent des informations et des preuves fiables, mais leur obtention pendant une crise se heurte souvent à de nombreux obstacles et défis liés à la qualité et à la quantité des données. Il s'agit notamment de l'accès aux données, des données manquantes et biaisées, et du manque de transparence, de vérification et de partage des données. Au Yémen, par exemple, les données sur la sécurité alimentaire, la malnutrition et la famine sont contrôlées par le gouvernement internationalement reconnu d'Aden ou par les Houthis à Sana'a, ce qui entraîne des erreurs dans la communication des informations. Les contrôles de routine et la vérification des données sont interdits ou limités, ce qui remet en question leur qualité, leur indépendance et leur neutralité.

En outre, les données ne peuvent pas être sorties du pays et leur partage à l'extérieur est limité, ce qui restreint leur accessibilité. Il y a des problèmes de données manquantes, de données périmées et de données qui ne mesurent pas l'unité d'analyse nécessaire. Il existe également des lacunes dans la couverture géographique, ce qui rend difficile l'identification des "points chauds".

Relever les défis grâce à des données de meilleure qualité

Compte tenu de la nature des défis liés aux données, au Yémen et ailleurs, certaines recommandations devraient être étudiées. La technologie de télédétection, les données libres et l'analyse prédictive peuvent et doivent être utilisées pour compenser le manque de données primaires. L'analyse prédictive incorpore l'utilisation de méthodes d'apprentissage automatique et d'intelligence artificielle pour créer des "prévisions" et des "prédictions" humanitaires. Ces outils utilisent diverses formes de données, notamment des données historiques, des données spatiales et des données de télédétection, pour élaborer des modèles prédictifs à l'aide d'algorithmes appropriés. L'inconvénient de la ML et de l'IA est que ces modèles ne valent que ce que valent les données utilisées, et qu'il existe un risque d'analyse biaisée qui peut aboutir à des prédictions inexactes. Cependant, avec plus d'informations, ces modèles peuvent être entraînés et modifiés pour présenter des scénarios plus précis et plus réalistes.

L'IA joue déjà un rôle dans l'action humanitaire. L'outil mondial d'alerte précoce "Eau, paix et sécurité" identifie les conflits émergents liés à l'eau jusqu'à un an à l'avance, ce qui permet d'orienter les interventions en amont d'une crise. Le système d'alerte précoce contre la famine utilise des méthodes mixtes comme outil d'alerte précoce contre l'insécurité alimentaire. De nombreux autres programmes humanitaires ont également créé des outils pour estimer les coûts, modéliser et prévoir les conflits, les déplacements et les catastrophes naturelles (par exemple, les inondations et les maladies).

Un autre avantage des modèles de ML et de l'IA est qu'ils peuvent être utilisés à distance. Lors de la pandémie de COVID-19, le secteur humanitaire a été largement contraint d'opérer à distance, ce qui a constitué un obstacle supplémentaire à la collecte de données. Mais les outils de ML et d'IA peuvent suppléer à l'incapacité de collecter des données sur le terrain. Les technologies de télédétection et les données en libre accès deviennent également de plus en plus abordables et disponibles.

La nécessité d'une collaboration intersectorielle

L'un des principaux problèmes liés à la collecte de données et au partage d'informations est que les organisations ont tendance à collecter des données et à travailler en vase clos. Par conséquent, les acteurs humanitaires des différents secteurs et agences devraient collaborer, partager et consolider les données. Il est essentiel de soutenir la collaboration intersectorielle pour obtenir une compréhension plus globale des situations de crise, y compris au Yémen.

Ces dernières années, les ensembles de données accessibles au public se sont multipliés et couvrent désormais des thèmes aussi divers que la production agricole, l'occupation et l'utilisation des sols, les prix, le climat, les conflits, l'utilisation des téléphones portables et les médias sociaux. Nombre d'entre eux sont pertinents pour le travail humanitaire, comme la base de données Armed Conflict Location & Event, le Uppsala Conflict Data Program et le Yemen Data Project.

Les médias sociaux peuvent également informer les acteurs humanitaires des conditions sur le terrain. Bien que l'accès à Internet puisse être rare dans les contextes de crise, les plateformes de médias sociaux telles que Twitter, Facebook et YouTube peuvent, lorsqu'elles sont disponibles, fournir des informations utiles qui peuvent être cartographiées. Cela peut aider les acteurs humanitaires à identifier le lieu et la nature des événements qui se produisent dans leur région d'opération.

En ce qui concerne les risques naturels, il existe de nombreux ensembles de données climatiques en libre accès et des technologies de télédétection qui peuvent être utilisés pour élaborer des modèles prédictifs - un élément essentiel de l'action anticipatoire. L'initiative Aqueduct du World Resource Institute et l'Atlas interactif du groupe de travail du GIEC en sont des exemples. Au Yémen, l'Observatoire de la Terre de la NASA a utilisé des données sur les précipitations, la température de l'air et la population pour prévoir le risque d'une épidémie de choléra. Leur modèle s'est avéré d'une précision de 92 %. Agir en amont des épidémies est un domaine d'intérêt croissant, et l'IA et la ML devraient jouer un rôle de premier plan pour faire avancer les choses.

Toutes les crises humanitaires ont leurs propres difficultés à obtenir des données transparentes, neutres, indépendantes, de haute qualité et fiables - et agir en prévision d'une crise n'est pas différent. Les applications d'IA et de ML, les technologies de télédétection, les données en libre accès et l'analyse prédictive peuvent pallier le manque de données dans les contextes humanitaires et jouer un rôle central pour surmonter ces défis en matière de données. Cela devrait se faire parallèlement à une collaboration intersectorielle et interagences accrue et à un partage des données afin de dresser un tableau plus complet de la situation sur le terrain.