Des étudiants du MIT et le MIDES ont construit des modèles d'apprentissage automatique sensibles à l'équité à partir de 15 436 dossiers de référence anonymisés pour aider le programme uruguayen Crece Contigo à prioriser les femmes enceintes et les jeunes enfants. Mi-2025, l'outil restait en évaluation, sans déploiement.
15,000+
Dossiers historiques d'orientation utilisés pour développer le modèle
Détails
Maturité
Pilote
Promoteur
Ministerio de Desarrollo Social (MIDES) with MIT MISTI
Période
2024-2025 (pilot and evaluation, not yet deployed)
Mots-clés
social protection, child and maternal welfare, public administration
Contexte
Le ministère uruguayen du Développement social (MIDES) gère Uruguay Crece Contigo, qui soutient les femmes enceintes et les enfants de moins de quatre ans vivant dans l'extrême pauvreté ; les travailleurs sociaux hiérarchisaient historiquement les orientations manuellement, au risque d'incohérence et de biais. Des étudiants du MIT, encadrés par un doctorant, ont travaillé avec le MIDES sur des données anonymisées portant sur plus de 15 000 dossiers historiques d'orientation, testant des arbres de décision à gradient boosting, des réseaux de neurones, des LSTM et des méthodes d'ensemble, avec des techniques sensibles à l'équité (SMOTE, RUS) destinées à réduire les biais envers les groupes sous-représentés.
Résultats
Mi-2025, le modèle restait un prototype d'aide à la décision en cours d'évaluation interne par le MIDES ; aucune date de déploiement ni chiffre de performance n'a été publié, faisant de ce cas un exemple précoce et honnêtement non prouvé plutôt qu'un succès démontré.
Conclusions
Il s'agit néanmoins de la première tentative documentée de l'Uruguay d'appliquer l'apprentissage automatique au ciblage d'un programme social, et cela reflète la démarche plus large du pays -- un Observatoire national de l'IA et la supervision de l'AGESIC -- vers un usage gouvernemental auditable de l'IA.
Mise en œuvre
Coût indicatif
Faible (< 50 k€)
Délai jusqu’aux résultats
Court (< 1 an)
Personnel et compétences
Ministry of Social Development (MIDES), MIT students and PhD advisor
Conditions de réussite
fairness-aware modelling techniques (SMOTE, RUS) to reduce bias against under-represented groups
Modes d’échec courants
still a prototype under internal evaluation; no deployment date or performance figures published
Habituellement financé par
National / regional programmes
Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.
Vous portez cette pratique ?
Revendiquez-la —
les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.
Sources de données
D'où proviennent les informations de cette pratique, et quand.