24 juin 2021 Information et désinformation sur le Covid-19 : le rôle de l’Intelligence Artificielle. Cet article est destiné à discuter des Fake News en lien avec l’Intelligence Artificielle, qui est l’un des sujets les plus importants liés à la Communication et aux Réseaux Sociaux. La situation actuelle due à la pandémie de Covid-19 a apporté de nombreuses craintes et incertitudes à nos sociétés. Au cours de ces derniers mois, des personnes du monde entier se sont appuyées sur les médias pour rechercher les dernières nouvelles, vérifier la tendance du virus, les mesures préventives et les traitements. Pour cette raison, nous assistons à une augmentation exponentielle du volume d’informations qui peuvent être vraies, plausibles et certainement fausses. Les bien nommées « fausses nouvelles » ont toujours été produites intentionnellement et répandues, et de nos jours, elles sont devenues un problème central car de nombreuses plateformes Web et réseaux sociaux tels que Facebook, Instagram, Google, Twitter, Tik Tok et YouTube éliminent tout type de médiation en rendant inefficaces tous les filtres et contrôles des systèmes de publication traditionnels. Par conséquent, les utilisateurs sociaux peuvent publier des idées ou diffuser des nouvelles via le partage, les likes et les retweets. Dans ce contexte, alors que le besoin urgent de trouver un traitement efficace contre le virus Covid-19 se fait toujours sentir dans le monde, la prolifération des fake news, notamment en matière de santé, ne cesse d’augmenter et constitue une menace sérieuse pour la santé publique. En particulier dans les Réseaux Sociaux, un système automatique capable de détecter et de bloquer les fake news pourrait représenter un support valable pour éviter la diffusion d’informations virales et trompeuses. L’IA a un rôle important à jouer dans la limitation de la diffusion de fake news sur les réseaux sociaux, car elle est capable de vérifier un grand nombre de posts et d’identifier rapidement ceux qui tentent de contourner les filtres en insérant de petits changements dans certains contenus déjà identifiés comme faux. Ainsi, la tâche de l’IA consiste à démasquer les fausses nouvelles, en classant les informations à travers une « échelle de vérité », qui est composée d’un niveau de vérité élevé, moyen et faible. Le Deep Learning est utilisé pour analyser les contenus des réseaux sociaux et vérifier leur authenticité. Ce dernier concept d’authenticité comprend de nombreux signaux importants tels que : les caractéristiques de l’utilisateur, le type de réseau social utilisé et la polarité du contenu, ainsi que le comportement des utilisateurs, auxquels un « score de vérité » est attribué. En fait, les générateurs de fausses nouvelles pourraient montrer un comportement de partage inhabituel et ils auraient également tendance à partager des contenus plus extrêmes. Toutes ces caractéristiques, une fois réunies, contribuent à donner une estimation plus fiable de l’authenticité. Les algorithmes de Deep Learning chargés de détecter les fake news utilisent généralement un ensemble de données (dataset), qui est créé grâce à la collecte de données à partir de diverses sources de réseaux sociaux, comme Instagram, Facebook, Twitter. Par conséquent, l’activité de reconnaissance de fausses nouvelles est formulée comme un problème de classification lié à une seule image, un texte spécifique ou une combinaison d’un texte et d’une image. Des algorithmes de classification basés sur le Deep Learning sont utilisés pour résoudre cette tâche de reconnaissance de fake news. Système de reconnaissance de fake news piloté par une approche multimodale Afin de discriminer les vraies des fausses nouvelles, ces algorithmes nécessitent une première phase d’apprentissage, dans laquelle une grande variété d’exemples de données des deux types d’actualités est insérée (ensemble d’apprentissage). Grâce à cet ensemble d’apprentissage, l’algorithme apprend à reconnaître des caractéristiques spécifiques appartenant aux fausses nouvelles. De cette façon, il est capable de faire la distinction entre les vraies et les fausses nouvelles. Par conséquent, le modèle de Deep Learning se compose de 3 composants : les réseaux pour la classification des images, les réseaux pour la classification des textes et la classification totale (texte+image). Lorsque l’algorithme entraîné devra analyser d’autres nouvelles, il sera capable de détecter les fausses nouvelles en fonction de ce qu’il a appris dans l’ensemble d’entraînement. L’approche utilisée, basée sur les réseaux de neurones, a pour objectif de réduire les contrôles manuels et, en même temps, d’exploiter ces contrôles manuels comme des formes d’apprentissage continu. À l’avenir, ces systèmes vont atteindre un tel niveau de précision qu’ils pourront directement bloquer et éliminer les fausses nouvelles sur COVID-19 et sur tous les sujets généraux (violence, haine…). APPRENTISSAGE PROFOND POUR LA RECONNAISSANCE DES FAKE NEWS Architecture d’algorithme pour la reconnaissance de fausses nouvelles Les techniques les plus avancées de Deep Learning utilisent des réseaux de neurones sur différentes couches qui simulent le comportement des neurones biologiques. L’algorithme de Deep Learning pour la reconnaissance de fake news a pour but d’extraire et de classer automatiquement des fonctionnalités à partir de contenus multimédias (texte/images/texte+images) en exploitant le réseau social le plus connu. Le système comprend une phase d’apprentissage visant à collecter de grands ensembles de données et à en tirer des enseignements. De nos jours, la possibilité d’effectuer des analyses de données volumineuses nécessite des techniques avancées ainsi que la puissance de calcul d’ordinateurs fonctionnant en parallèle ou sur des clouds privés.