Le mercredi 16 novembre, le Dr Uyi Stewart, directeur des données et de la technologie chez Data.orga prononcé une conférence à Robertson Hall intitulée “Data Science: The New Frontier in Global Health and Development”, qui tournait autour du potentiel de la science des données pour résoudre un large éventail de problèmes mondiaux contemporains, notamment les maladies infectieuses, les vulnérabilités économiques, les traitements médicamenteux, et l’accès aux soins de santé, entre autres domaines d’importance urgente.
Data.org est une organisation à but non lucratif qui s’efforce de “démocratiser et réinventer l’utilisation des données pour relever les plus grands défis de la société et améliorer la vie à travers le monde,” selon leur site internet.
Stewart a précédemment occupé le poste de directeur de la stratégie, des données et de l’analyse du développement mondial à la Fondation Bill et Melinda Gates et a cofondé IBM Research – Afriqueagissant en tant que scientifique en chef de la plateforme et capitalisant sur les mégadonnées pour aider à maîtriser l’épidémie d’Ebola qui a éclaté en Afrique de l’Ouest en 2014.
Le Daily Princetonian s’est entretenu avec Stewart pour discuter de son travail passé et de la façon dont la science des données peut être utilisée pour résoudre les problèmes humanitaires mondiaux urgents. Cette interview a été éditée pour plus de clarté et de concision.
Le Quotidien Princetonien : En tant que directeur des données et de la technologie chez Data.org, quel est l’objectif de votre organisation à but non lucratif ?
Dr Uyi Stewart : Dans le domaine de l’impact social, il y a beaucoup de fragmentation. Les organisations à impact social sont donc celles qui utilisent les données et d’autres moyens pour lutter contre les inégalités dans le monde. Mais ce que vous constatez, c’est que chacun fait ce qu’il veut, il y a donc beaucoup de fragmentation. Et bien qu’il ait eu l’intention de faire le bien, le bien n’a pas été réalisé. C’est en petits morceaux. Ce qu’il faut, c’est un moyen de combiner tous ces efforts tout en restant fidèle aux objectifs, mais en trouvant un moyen de maintenir des économies d’échelle. C’est le problème et l’ambition. Nous sommes une plateforme de coordination sur le terrain pour conduire des partenariats vers des données à impact social. C’est vraiment notre objectif. Et dans le processus, former un million de data scientists motivés en 10 ans.
DP : Vous avez joué un rôle central dans l’utilisation de vastes données pour lutter contre l’épidémie d’Ebola en Afrique de l’Ouest pendant votre mandat en tant que scientifique en chef d’IBM Research – Africa, que vous avez également cofondé. Comment s’est déroulée cette expérience et quels ont été les principaux défis que vous avez rencontrés ?
NOUS: Ce fut l’une des choses les plus difficiles que j’ai eu à traverser en tant que data scientist. Aujourd’hui, il est très courant de voir l’utilisation de données pour modéliser le taux d’infection ou la trajectoire de propagation de la maladie, comme nous l’avons vu [COVID-19]. Vous examinez donc les taux d’infection, les schémas d’infection, les pics et les reflux. Mais en 2014, lorsqu’Ebola a frappé l’Afrique de l’Ouest, l’utilisation des mégadonnées pour modéliser la maladie était très naissante. C’était un exploit d’épidémiologie et même se déplacer pour le faire était difficile à l’époque. Il y avait un accès aux données, pour répondre à votre question, mais le plus grand défi était la stigmatisation associée à Ebola.
La culture dominante en Afrique de l’Ouest est telle que les pratiques funéraires nécessitent un rite de passage. Lorsque des parents meurent, il y a un rite de passage et ce passage implique le lavage des vêtements. Mais Ebola est une maladie qui se transmet par le toucher. Si vous touchez une personne infectée, vous allez contracter Ebola. C’était donc un affrontement entre une maladie qui se propage par contact et les habitudes traditionnelles des gens. Le grand défi était donc de savoir comment utiliser la technologie de l’innovation pour influer sur le changement de comportement ? C’était le gros problème. Et c’est le travail que nous avons pu faire avec succès en Sierra Leone.
DP : Selon vous, quels sont les problèmes les plus urgents auxquels l’humanité est confrontée aujourd’hui et que vous pensez que la science des données est particulièrement bien placée pour résoudre ?
NOUS: Beaucoup… Je peux parler d’inégalité entre les sexes. Pas seulement dans le [United States], mais dans le monde entier. En Inde et dans d’autres pays d’Afrique, il y a juste une énorme inégalité entre les sexes – en particulier dans l’éducation et même dans les soins de santé – qui nous regarde en face.
Mais il y a le climat. En fait, la crise climatique est une crise sanitaire. Et je pense que nous ne sommes pas à la hauteur. Il y a des inégalités dans la manière dont les connaissances sont diffusées dans le monde. Le World Wide Web est dominé par l’anglais et, par conséquent, des milliards de personnes sont exclues de ce couloir d’information. Je peux continuer encore et encore, mais ce sont quelques-uns des défis auxquels nous sommes confrontés dans le monde en ce moment.
DP : Oui, ceux-ci semblent être des défis très vastes qui représentent un phénomène mondial, pas seulement des problèmes confinés à une zone ou à un lieu particulier.
NOUS: C’est vrai. Je les ai isolés parce que vous avez demandé où les données peuvent aider. Je pense donc que les données peuvent aider à remédier aux inégalités entre les sexes, aux inégalités en matière de santé et aux inégalités que nous constatons dans le langage, afin de créer de meilleurs modèles de traduction.
DP : Pourriez-vous expliquer certaines des nouvelles techniques et technologies de la science des données qui ont émergé récemment et comment elles pourraient être déployées pour identifier les mécanismes de transmission des maladies, catalyser le développement de médicaments et améliorer l’accès aux ressources de santé, entre autres applications ?
NOUS: Je peux parler de la possibilité de débloquer de nouveaux ensembles de données, ce qui est vraiment phénoménal. L’une des choses qui se sont produites au cours des cinq à dix dernières années, c’est de prendre un ensemble de données — comme des renseignements sur la santé — et d’y superposer ce que nous appelons des données géospatiales, des données sur les mouvements. Ce qui a été fait, c’est que nous pouvons maintenant commencer à identifier des poches spécifiques, ou ce que nous appelons des cartes thermiques. Avant, vous pouviez faire un traitement global d’un problème. Disons, par exemple, qu’il y a de la dengue dans toute une région. Mais le fait est qu’il n’y a pas de solution unique car la dengue peut être intense dans une zone spécifique. Mais auparavant, il n’existait pas de données sur les mouvements géospatiaux. Vous n’aviez que des données sur la dengue. Mais maintenant, vous avez les déterminants sociaux des données sur la santé, mais vous avez également des données sur les mouvements, provenant des antennes relais et des téléphones portables.
Lorsque vous superposez des données géospatiales, vous pouvez commencer à obtenir un degré de précision dans votre intervention de santé. Plutôt qu’un traitement global, vous pouvez maintenant être plus précis – ce que nous appelons une intervention ciblée. C’est une innovation qui vient de se produire récemment. Je pense que c’est formidable de nous aider à obtenir de meilleurs résultats en matière de santé, grâce à des interventions ciblées, par exemple.
DP : Enfin, dans un monde saturé de données, pensez-vous que des techniques innovantes de data science suffisent pour faire face à la surabondance de données ? Quels défis restent à surmonter ?
NOUS: Nous sommes encore sur le point de l’inférence causale. De nombreuses analyses que nous voyons aujourd’hui recherchent toutes des corrélations dans des ensembles de données en recherchant des caractéristiques d’interprétation dans l’ensemble de données. La prochaine grande chose que nous recherchons, du moins dans le secteur de l’impact social, c’est qu’est-ce qu’une inférence causale? Si je vois X et Y, puis-je conclure le déclencheur à partir des données ?
Par exemple, les garçons parcourent huit kilomètres pour se rendre à l’école — j’invente tout simplement — et les filles parcourent sept milles pour se rendre à l’école. A la fin de l’année, on voit les résultats au fur et à mesure que les résultats des tests reviennent : les garçons vont mieux, les filles vont moins bien. La question est de savoir comment expliquer ces résultats ? Existe-t-il une relation causale, pouvez-vous conclure que ces deux kilomètres supplémentaires sont une raison pour laquelle les filles obtiennent de moins bons résultats aux tests ? À l’heure actuelle, la science des données ne peut pas encore vous donner avec un certain degré de précision la conclusion exacte. C’est une question de probabilité; on peut vous dire que selon toute vraisemblance, c’est à cause des deux milles. Mais on ne peut pas le dire avec certitude. Nous cherchons donc encore à être beaucoup plus normatifs à partir des données en termes d’inférence causale, par exemple.
Implicite dans ce que je viens d’expliquer, il y a cette grande question de savoir comment passer des idées à l’action. Si je découvre que “Wow, parce que les filles ont marché deux miles supplémentaires, cela a un impact sur leur capacité à réussir à l’école”, alors quelle est la recommandation en termes d’action ? Que faisons-nous à propos de cela? C’est ce qu’on appelle «l’impact» – comment atténuer cela? L’analyse c’est bien, mais ce n’est pas suffisant. Pour que nous puissions compléter l’arc et vraiment dire que les données font vraiment une différence, nous devons aller plus loin pour transformer les informations en action. Et en ce moment, c’est plus un art qu’une science.
Amy Ciceu est une rédactrice principale qui couvre souvent la recherche et les développements liés au COVID-19.
Veuillez adresser toute demande de corrections aux corrections sur dailyprincetonian.com.
