BusinessLes dernières actualités de la techTech

Des chercheurs peuvent savoir pour qui vous votez grâce à Google Street View

Dis-moi où tu habites, je te dirai pour qui tu votes. Une équipe de chercheurs basée à Stanford est en effet parvenue à établir des prédictions précises sur les habitudes de vote de plusieurs quartiers aux États-Unis à partir de millions d’images collectées sur Google Street View, rapporte le New York Times. Pour ce faire, les chercheurs se sont appuyés sur l’intelligence artificielle qui a permis de traiter une grande quantité d’images dans un laps de temps réduit.

L’équipe de chercheurs dirigée par Timit Gebru a ainsi analysé 50 millions d’images et de données de localisation de Google Street View. A partir de celles-ci, les scientifiques de Stanford ont pu identifier 22 millions de voitures, soit 8% de toutes les voitures aux États-Unis, avant de les classer dans plus de 2 600 catégories, comme leur marque et leur modèle. Les véhicules en question étaient situés dans plus de 3 000 zones postales et 39 000 circonscriptions électorales.

Connaissez vous la DATAROOM de FRENCHWEB.FR notre base de données de startups et sociétés innovantes françaises: informations clés, fonds levées, chiffres d'affaires, organigramme, axes de développement. Accédez aux informations que nous avons collecté concernant plus de 1000 sociétés

Pour traiter une telle masse de données, les chercheurs ont fait appel à des centaines personnes, notamment des experts automobiles, pour concevoir un logiciel capable d’analyser un échantillon de plusieurs millions d’images. Au final, le logiciel a pu classer les voitures à partir des 50 millions d’images collectées en l’espace de deux semaines. Selon le New York Times, cette tâche aurait pris plus de 15 ans pour un expert humain, à raison de 10 secondes par image.

Les berlines pour les démocrates, les pick-up pour les républicains

En recoupant les données de Google Street View avec des informations provenant d’autres sources, comme l’American Community Survey, qui réalise des sondages et des statistiques sur les communautés américaines, les chercheurs ont constaté qu’ils étaient en mesure de faire des prédictions exactes sur les revenus, la race, l’éducation ou encore les habitudes de vote d’un quartier donné. A partir de leurs travaux, les chercheurs ont ainsi déterminé, en comptant les berlines et les pick-up sur un parcours de 15 minutes, qu’une ville vote probablement démocrate (88% de chances) s’il y a plus de berlines et plutôt républicain (82% de chances) s’il y a plus de pick-up. Selon les résultats de l’étude des chercheurs, Chicago est la ville ayant le plus haut niveau de disparités des revenus tandis que Jacksonville, en Floride, est la ville qui en a le moins. Par ailleurs, New York est la ville avec les voitures les plus chères et El Paso, dans le Texas, a le pourcentage le plus élevé de Hummer.

Malgré l’intérêt de ces données pour effectuer des analyses socio-démographiques, les chercheurs reconnaissent qu’il est essentiel de trouver le juste milieu avec le respect de la vie privée. En France, la start-up Liegey Muller Pons a développé un logiciel qui permet de croiser les données socio-démographiques avec la cartographie électorale d’un territoire donné pour analyser l’opinion publique et ainsi aider les candidats à cibler leurs potentiels électeurs. Depuis la création de la société, qui a levé 4 millions d’euros en décembre 2017, plus de 1 000 équipes de campagne dans 6 pays européens ont eu recours à ce logiciel.

Suivez nous:
CATHAY INNOVATION EDUCAPITAL XANGE
A Global Venture Capital Firm Connecting Innovators Everywhere The largest European Edtech & Future of Work VC Today's disruption, Tomorrow's daily life
DECOUVRIR DECOUVRIR DECOUVRIR
Connaissez vous la DATAROOM de FRENCHWEB.FR notre base de données de startups et sociétés innovantes françaises: informations clés, fonds levées, chiffres d'affaires, organigramme, axes de développement. Accédez aux informations que nous avons collecté concernant plus de 2000 sociétés
Bouton retour en haut de la page
Share This