Vous comprenez mieux désormais ce qu’est le Machine Learning ainsi que les différentes approches visant à former un modèle. Toutefois, vous vous demandez probablement comment ce concept peut vous aider dans votre travail quotidien. C’est précisément ce que nous allons aborder dans cette leçon. 

Personne n'a défini cette situation de manière plus claire que le Quartz AI Studio. Dans les paragraphes suivants, nous allons emprunter leur modèle (avec leur accord) pour vous aider à comprendre certaines des situations et des sentiments auxquels vous pourriez être confrontés si vous devez avoir recours au Machine Learning.

Les films mettant en scène le journalisme ont tendance à glorifier les enquêtes où les journalistes passent des mois à lire des piles entières de documents dans une pièce sans fenêtre pour mettre à jour les plus grandes affaires de corruption. Et si nous pouvions obtenir les mêmes résultats en une fraction du temps ?

Le Machine Learning peut vous y aider, c’est pourquoi les journalistes d’investigation du monde entier y ont déjà recours.

En 2019, le Consortium international des Journalistes d’investigation
(ICIJ) a reçu plus de 700 000 documents ayant fait l’objet de fuites, collectivement appelés Luanda Leaks. Afin d’analyser tous ces dossiers, le ICIJ s’est associé à Quartz, dont l’équipe de recherche a construit un modèle de Machine Learning en vue d’aider les journalistes à trouver le type de fichiers qu’ils espéraient trouver au sein de ces documents.

Un autre type de défi qu’un journaliste peut rencontrer lorsqu’il travaille sur un article est la capacité à comparer un ensemble de documents avec un corpus de nature similaire. Par exemple, un journaliste politique pourrait vouloir comparer le discours de politique de générale d’un Premier ministre à tous ceux prononcés par ses précédents homologues, décennie après décennie.

Voici donc un autre défi que le Machine Learning est particulièrement à même de relever.

En 2017, ProPublica s’est reposé sur un modèle informatique pour analyser les communiqués de presse des membres individuels du Congrès américain et les comparer à tous ceux qui furent publiés à la même époque. Cela permit aux journalistes de savoir de quels sujets les membres du Congrès se souciaient le plus, ou du moins en parlaient plus par rapport à leurs pairs.

Notre monde est photographié des milliards de fois par jour, ce qui se traduit par une quantité sans précédent d’images dans lesquelles les journalistes pourraient trouver des récits. Si seulement il y avait un moyen d’apprendre aux ordinateurs à trouver des détails spécifiques dans une base de données d’informations visuelles... Vous savez où cela mène : bienvenue dans le monde du Machine Learning.

L’agence ukrainienne spécialisée en journalisme de données Texty a utilisé le Machine Learning pour détecter les mines d’ambre illégales en Ukraine. En combinant différents algorithmes, cette organisation a pu former un système de Machine Learning sur des exemples existants de mines d’ambre, et lui permettre ainsi de détecter de nouveaux exemples dans un ensemble d’images satellites.

Le résultat qui en découle est une une carte en ligne sur laquelle un utilisateur peut zoomer sur des images de mines d’ambre à travers le pays.

Des mots, des images, et maintenant des chiffres. Parmi les nombreuses choses que les ordinateurs sont capables de faire bien mieux que les humains, il y a le traitement des données numériques à grande échelle. Si vous avez des milliers d’enregistrements numériques à analyser, et en particulier si vous souhaitez repérer des récurrences et des similitudes, vous avez là un cas où le Machine Learning peut s’avérer utile.

C’est ce qu’a fait BuzzFeed News en 2017 avec son reportage sur les avions-espions cachés, lequel fit beaucoup parler de lui, car il s’agissait alors de l’un des premiers exemples de journalisme de haut vol appliquant la technique de Machine Learning à des fins de couverture journalistique.

Ils ont entraîné un ordinateur à trouver des avions de surveillance en utilisant un algorithme de "forêt aléatoire" pour repérer les avions dont le plan de vol ressemblait à celui du FBI et du département de la sécurité intérieure.

Les mines d’ambre, les scandales de corruption, les avions-espions et les discours sur l’état de l’Union aux Etats-Unis. Comme vous pouvez le constater, le Machine Learning peut s’avérer particulièrement utile dans votre travail en renforçant votre capacité à trouver et à produire des articles qui comptent grâce aux données.

Cependant, nous devons désormais comprendre que le Machine Learning n’est pas magique. Vous pourriez même dire qu’il ne pourra rien faire que vous ne puissiez faire vous-même - si seulement vous aviez un millier de stagiaires infatigables à votre service.

C’est à vous de décider si le Machine Learning constitue l’outil idéal pour vous aider dans votre travail de journaliste. Au terme de cette évaluation, vous pouvez compter sur le Machine Learning pour passer au crible une quantité massive d’informations et vous donner les moyens de les exploiter.