Environ 700 millions de personnes dans le monde vivent dans une pauvreté extrême (avec moins de 2,15 dollars américains par jour). L'éradication de la pauvreté est l'un des objectifs de développement durable des Nations Unies, mais mesurer la pauvreté s'est avéré un défi, principalement parce que la collecte de données est coûteuse et prend du temps. L'intelligence artificielle (IA) peut non seulement analyser rapidement les données, mais également atteindre un plus large éventail de personnes et identifier des modèles que les experts pourraient manquer. La Banque mondiale développe également des outils d’IA pour prédire les crises alimentaires et les conflits violents et extraire des informations des données sur les interventions humanitaires.

Cependant, les modèles d’IA souffrent de problèmes de biais et peuvent ne pas tenir compte des personnes les plus pauvres pour lesquelles les données numériques ne sont pas enregistrées. Néanmoins, le système actuel d’évaluation de la pauvreté est tout aussi imparfait. Les méthodes traditionnelles telles que les enquêtes auprès des ménages prennent du temps et sont coûteuses, mais l’IA combinée à l’imagerie satellite et aux données de téléphonie mobile peut identifier plus efficacement les zones et les individus pauvres. Par exemple, une équipe de recherche de l’Université de Stanford aux États-Unis a utilisé l’IA pour analyser des images satellite et a réussi à prédire les niveaux de pauvreté dans les villages africains. L'effet était équivalent à celui des enquêtes sur le terrain, mais le coût était considérablement réduit.

Par exemple, le programme de sécurité sociale « NOVISSI » du Togo, pays d'Afrique de l'Ouest, a utilisé l'IA pour analyser les modèles d'utilisation des téléphones portables et les images satellite afin d'allouer avec précision 34 millions de dollars de fonds d'aide. Des projets similaires sont en cours dans d’autres pays africains. Même si les prévisions de l’IA ne sont pas totalement exactes, sa capacité à réagir rapidement est cruciale dans les situations d’urgence.

Cependant, même si l’IA a montré son potentiel dans la réduction de la pauvreté, les experts avertissent qu’elle doit être utilisée avec prudence. L’IA ne peut pas remplacer complètement les enquêtes de terrain, notamment dans la mesure de la pauvreté multidimensionnelle. Cependant, dans un contexte de contraintes budgétaires et de chocs économiques, l’IA pourrait s’avérer un outil essentiel pour acheminer l’aide à ceux qui en ont le plus besoin. À l’avenir, la combinaison de l’IA et des enquêtes sur le terrain pourrait devenir une nouvelle orientation pour le travail de réduction de la pauvreté.


La priorité est donnée aux villages et communautés les plus pauvres. Nous avons appliqué des algorithmes d'apprentissage profond à l'imagerie satellite à haute résolution pour produire des estimations microscopiques de la richesse par cellule de grille de 2,4 kilomètres (km) (en haut à gauche), combiné ces estimations avec des informations sur la densité de population pour chaque cellule de grille (en haut au milieu) et utilisé ces informations pour identifier les 100 comtés les plus pauvres du Togo (en haut à droite).
À l’aide de données de richesse et de pauvreté recueillies sur le terrain lors d’une vaste enquête téléphonique auprès d’utilisateurs actifs de téléphones mobiles, les chercheurs ont formé un algorithme d’apprentissage automatique pour estimer la richesse de chaque utilisateur mobile (en haut à gauche). Dans les 100 comtés les plus pauvres (distribution rouge à droite), ceux dont la consommation est estimée à moins de 1,25 $ par jour sont prioritaires pour être inclus dans le programme Novissi (ligne verticale pointillée). Ces personnes sont beaucoup plus pauvres que l’habitant moyen du Togo (distribution bleue). Source : Josh Blumenstock, Université de Californie, Berkeley, 11 janvier 2021 : Josh Blumenstock, Université de Californie, Berkeley, 11 janvier 2021.