Dans une étude dont on trouvera ci-dessous les références et l’abstract, des chercheurs danois et américains ont rassemblé au profit d’un algorithme d’IA, les données médicales, sociales, et économiques de six millions de Danois. Objectif ? Prédire la mort d’une personne intéressée.
Entre 2008 et 2016, 100.000 profils, âgés de 35 à 67 ans, ont donc été testés, dont la moitié est décédée quatre ans plus tard. Avec quel objectif ? Deviner des événements du futur en se basant sur ceux du passé. L’étude révèle que les prédictions concernant les problèmes sociaux et les ennuis de santé dépassent les capacités actuelles de prévision dans ce domaine. Selon l’université technique du Danemark, les résultats sont sans surprise : les hommes avec les revenus les plus faibles sont davantage susceptibles de mourir.
Les auteurs préviennent :«Ce modèle peut être utilisé pour de bonnes raisons : prévoir les problèmes de santé ou sociaux rencontrés par un individu, ou mettre en place des actions pour réduire les inégalités touchant un groupe, Mais il peut aussi être retourné contre eux.» Via notamment les compagnies d’assurances, qui voudraient connaître l’espérance de vie de leurs clients.
NB. Notre avis. Plutôt qu’employer le terme de predict live d’une personne, les auteurs de l’étude feraient mieux d’employer un terme moins affirmatif, par exemple « préciser les hypothèses concernant… »
Référence
- article
- October 2023
Using sequences of life-events to predict human lives- Germans Savcisens, and others
Abstract
Here we represent human lives in a way that shares structural similarity to language, and we exploit this similarity to adapt natural language processing techniques to examine the evolution and predictability of human lives based on detailed event sequences. We do this by drawing on a comprehensive registry dataset, which is available for Denmark across several years, and that includes information about life-events related to health, education, occupation, income, address and working hours, recorded with day-to-day resolution. We create embeddings of life-events in a single vector space, showing that this embedding space is robust and highly structured. Our models allow us to predict diverse outcomes ranging from early mortality to personality nuances, outperforming state-of-the-art models by a wide margin. Using methods for interpreting deep learning models, we probe the algorithm to understand the factors that enable our predictions. Our framework allows researchers to discover potential mechanisms that impact life outcomes as well as the associated possibilities for personalized interventions.
Europe Solidaire 