Skip to content
Methodology

Data science

Le Machine Learning et les algorithmes au service de la prise de décision.

7 July 2024
IDinsight utilise la Data Science pour aider les décideurs à résoudre des problèmes de prédiction, d’optimisation programmatique ou de modélisation.

À propos de la Data Science

Aujourd’hui, les algorithmes sont omniprésents. Ces modèles mathématiques influencent les résultats de  nos recherches Internet, déterminent quel chauffeur de covoiturage viendra nous récupérer, ou suggèrent une correction orthographique. De même, nous croyons que la Data Science peut être mise à profit dans le secteur social.

La Data Science  se situe à l’intersection de plusieurs domaines, dont l’informatique, les statistiques et les connaissances contextuelles telles que l’économie, la physique, ou l’épidémiologie. IDinsight s’appuie sur ces domaines pour fournir trois types de services  : (1) le Machine Learning, (2) l’optimisation et (3) la modélisation des données.

Nos équipes collaborent avec nos partenaires pour développer une solution  adaptée au contexte.

Nos projets

Nous avons collaboré avec une ONG soutenant les filles scolarisées en Inde. Grâce au Machine Learning, nous avons identifié 2,5 fois plus de filles non scolarisées supplémentaires par village, par rapport aux campagnes d’inscription usuelles menées par l’organisation. L’exploitation du Machine Learning pour le ciblage des bénéficiaires, une fois mis à l’échelle, a permis d’inscrire 500 000 filles non scolarisées supplémentaires, sur une période de 5 ans.

En Afrique du Sud, en collaboration avec une ONG et le ministère de la santé, Nous avons conçu un système de chatbots basé sur l’IA, visant à offrir des solutions pour améliorer l’accessibilité et fournir un soutien précieux aux soins de santé maternelle. 

Toujours en Afrique, nous avons fourni une expertise technique au gouvernement marocain pour améliorer l’accès à l’éducation, en optimisant l’emplacement de nouvelles unités scolaires, internats et lignes de transport scolaire rural.

Principes de travail

Notre équipe Data Science collabore étroitement avec l’ensemble de l’organisation et des équipes projet afin de fournir des solutions complètes et intégrées à nos partenaires.

Nous vérifions la performance des solutions développées et nous documentons l’ensemble du code afin d’assurer que les systèmes conçus puissent être maintenus et étendus dans le futur.

Le Machine Learning :

Quelle contribution du Machine Learning au secteur social ? Comment optimiser le ciblage des bénéficiaires de mon programme ? 
  • Le Machine Learning vise à discerner les relations entre différentes variables dans un ensemble de données. Cette technique permet de traiter divers formats de données, tels que numériques, textuelles, audio ou images. Nous mettons en œuvre des algorithmes de Machine Learning non supervisés tels que les réseaux neuronaux, les forêts aléatoires et le regroupement k-means. Ils sont utilisés pour des applications telles que la reconnaissance d’images, la télédétection, le traitement du langage naturel ou les systèmes de recommandation.

 

Modèles d’optimisation :

Comment les modèles d’optimisation peuvent-ils résoudre certaines problématiques du secteur social ?
  • Quelle est la meilleure façon d’utiliser un budget infrastructurel pour améliorer l’accès à l’éducation, en tenant compte de la densité de la population et des temps de déplacement ?
  • Quelles populations rurales devrions-nous prioriser, compte tenu des contraintes humaines, budgétaires et temporelles limitées ?
De quoi s’agit-il ?
  • Les modèles d’optimisation se révèlent essentiels pour allouer des ressources limitées sous contraintes. Ils facilitent la résolution de problèmes complexes, tels que le routage, l’attribution des tâches ou l’allocation de ressources.

 

Modélisation de données : 

Comment la Modélisation de données peut-elle résoudre des problématiques du secteur social ?

  • Les experts en Data Science ont la capacité d’utiliser des modèles pour simuler des systèmes complexes, même avec des données initialement limitées. Par exemple, le modèle SEIR permet d’estimer la vitesse de propagation d’un virus en fonction des niveaux de distanciation sociale. Nos équipes recourent à des techniques telles que les simulations de Monte-Carlo, les modèles de réseaux, la modélisation bayésienne ou les modélisations épidémiologiques.