Transformer la technologie contre les trafiquants d’êtres humains !

En octobre dernier, la Maison Blanche a publié le Plan d’action national de lutte contre la traite des êtres humains. Le plan était motivé, en partie, par une meilleure compréhension de l’omniprésence du crime. En 2019, 11500 situations de traite des êtres humains aux États-Unis ont été identifiées par le biais de la National Human Trafficking Hotline, et le gouvernement fédéral estime qu’il y a près de 25 millions de victimes dans le monde.

Cette prise de conscience croissante a également motivé le MIT Lincoln Laboratory, un centre de recherche et développement financé par le gouvernement fédéral, à mettre son expertise technologique au service de la lutte contre la traite des êtres humains.

Ces dernières années, des chercheurs du Groupe des systèmes d’assistance humanitaire et de secours en cas de catastrophe ont rencontré des agences fédérales, étatiques et locales, des organisations non gouvernementales (ONG) et des entreprises technologiques pour comprendre les défis liés à l’identification, à l’enquête et à la poursuite des cas de traite. En 2019, l’équipe a compilé ses conclusions et 29 recommandations technologiques ciblées dans une feuille de route pour le gouvernement fédéral. Cette feuille de route a informé la récente stratégie de lutte contre la traite du département américain de la Sécurité intérieure publiée en 2020.

«Les trafiquants utilisent la technologie pour gagner en efficacité d’échelle, des marchés du sexe en ligne au blanchiment d’argent complexe basé sur Internet, et nous devons également tirer parti de la technologie pour les contrer», déclare Matthew Daggett, qui dirige cette recherche au laboratoire.

En juillet, Daggett a témoigné lors d’une audition devant le Congrès sur bon nombre des lacunes technologiques actuelles et a formulé plusieurs recommandations politiques sur le rôle de la technologie dans la lutte contre le trafic. «Tirer parti des preuves numériques peut être accablant pour les enquêteurs. Il n’y a pas beaucoup de technologie là-bas pour tout rassembler, et bien qu’il y ait des poches d’activité technologique, nous constatons beaucoup de duplication des efforts parce que ce travail est cloisonné dans toute la communauté », ajoute-t-il.

Briser ces silos faisait partie de l’objectif de Daggett. Plus récemment, il a réuni près de 200 praticiens de 85 agences fédérales et étatiques, ONG, universités et entreprises pour l’atelier sur la technologie de lutte contre la traite des êtres humains au Lincoln Laboratory. Cet événement virtuel unique en son genre a suscité des discussions sur la façon dont la technologie est utilisée aujourd’hui, les lacunes et les possibilités de nouveaux partenariats. 

L’atelier a également été l’occasion pour les chercheurs du laboratoire de présenter plusieurs outils avancés en développement. «L’objectif est de trouver des moyens durables de partenariat pour la transition de ces prototypes vers le terrain», ajoute Daggett.

Découvrir les réseaux

L’une des capacités les plus matures du laboratoire dans la lutte contre la traite des êtres humains concerne le défi de découvrir des réseaux de traite organisés à grande échelle.

«Nous ne pouvons pas simplement perturber des morceaux d’un réseau organisé, car de nombreux réseaux se rétablissent facilement. Nous devons découvrir l’intégralité du réseau et le perturber dans son ensemble », déclare Lin Li, chercheur au sein de l’Artificial Intelligence Technology Group.

Pour aider les enquêteurs à faire cela, Li a développé des algorithmes d’apprentissage automatique qui analysent automatiquement les publicités sexuelles commerciales en ligne pour révéler si elles sont probablement associées à des activités de traite des êtres humains et si elles appartiennent à la même organisation.  

Cette tâche a peut-être été plus facile il y a seulement quelques années, lorsqu’un grand pourcentage des activités liées au trafficking étaient annoncées et signalées à partir de listes sur Backpage.com. Backpage était le deuxième plus grand service d’annonces classées aux États-Unis après Craigslist, et a été saisi en 2018 par une enquête fédérale multi-agences. Une flopée de nouveaux sites publicitaires est depuis apparue dans son sillage. «Nous avons maintenant une source d’information distribuée très décentralisée, où les gens publient des articles sur de nombreuses pages Web», dit Li. Les trafiquants sont également de plus en plus conscients de la sécurité, dit Li, utilisant souvent des téléphones cellulaires ou Internet qui rendent difficile l’utilisation de liens «durs» tels que les numéros de téléphone pour découvrir le crime organisé.

Ainsi, les chercheurs ont plutôt utilisé des indicateurs «souples» d’activité organisée, tels que les similitudes sémantiques dans les descriptions d’annonces. Ils utilisent le traitement du langage naturel pour extraire des phrases uniques dans le contenu afin de créer des modèles d’annonces, puis trouver des correspondances pour ces modèles sur des centaines de milliers d’annonces provenant de plusieurs sites Web.

«Nous avons appris que chaque organisation peut avoir plusieurs modèles qu’elle utilise lorsqu’elle publie ses annonces, et chaque modèle est plus ou moins unique à l’organisation. Par correspondance de modèles, nous avons essentiellement un algorithme de découverte d’organisation », explique Li.

Dans ce processus d’analyse, le système classe également la probabilité qu’une annonce soit associée à la traite des êtres humains. Par définition, la traite des êtres humains implique de contraindre les individus à fournir des services ou de la main-d’œuvre en recourant à la force, à la fraude ou à la coercition – et ne s’applique pas à tout le commerce du sexe. L’équipe a formé un modèle de langage pour apprendre des termes liés à la race, à l’âge et à d’autres langues vernaculaires du marché dans le contexte de l’annonce qui peuvent indiquer un trafic potentiel. 

Pour montrer l’impact de ce système, Li donne un exemple de scénario dans lequel une publicité est signalée aux forces de l’ordre comme étant liée à la traite des êtres humains. Une recherche traditionnelle pour trouver d’autres annonces utilisant le même numéro de téléphone peut générer 600 annonces. Mais en appliquant la correspondance de modèles, environ 900 annonces supplémentaires pourraient être identifiées, permettant la découverte de numéros de téléphone précédemment non associés.

«Nous cartographions ensuite cette structure de réseau, en montrant les liens entre les clusters de modèles d’annonces et leurs emplacements. Soudain, vous voyez un réseau transnational », dit Li. «Cela pourrait être un moyen très puissant, à partir d’une seule annonce, de découvrir l’ensemble du fonctionnement d’une organisation. »

Analyser les preuves numériques

Une fois qu’une enquête sur la traite des êtres humains est en cours, le processus d’analyse des preuves pour trouver la cause probable des mandats d’arrêt, corroborer les déclarations des victimes et préparer des poursuites peut prendre beaucoup de temps et de ressources humaines. Un dossier peut contenir des milliers de preuves numériques – un conglomérat de documents commerciaux ou gouvernementaux, des transactions financières, des données de téléphone portable, des courriels, des photographies, des profils de médias sociaux, des enregistrements audio ou vidéo, etc.

«Le large éventail de types et de formats de données peut rendre ce processus difficile. Il est difficile de comprendre l’interconnectivité de tout cela et quels éléments de preuve contiennent des réponses », dit Daggett. «Ce que veulent les enquêteurs, c’est un moyen de rechercher et de visualiser ces données avec la même facilité qu’une recherche Google. »

Le système que Daggett et son équipe prototypent prend toutes les données contenues dans un dossier de preuves et les indexe, en extrayant les informations à l’intérieur de chaque fichier dans trois grands compartiments – texte, images et données audio. Ces trois types de données passent ensuite par des processus logiciels spécialisés pour les structurer et les enrichir, ce qui les rend plus utiles pour répondre aux questions d’enquête.                                

Le processeur d’image, par exemple, peut reconnaître et extraire du texte, des visages et des objets à partir d’images. Le processeur peut alors détecter des images quasi-dupliquées dans les preuves, établissant un lien entre une image qui apparaît sur une publicité sexuelle et le téléphone portable qui l’a prise, même pour les images qui ont été fortement modifiées ou filtrées. Ils travaillent également sur des algorithmes de reconnaissance faciale capables d’identifier les visages uniques dans un ensemble de preuves, de les modéliser et de les trouver ailleurs dans les fichiers de preuves, dans des conditions d’éclairage et des angles de prise de vue très différents. Ces techniques sont utiles pour identifier des victimes supplémentaires et corroborer qui sait qui.

Une autre capacité d’enrichissement permet aux enquêteurs de trouver des «signatures» de trafic dans les données. Ces signatures peuvent être une langue vernaculaire spécifique utilisée, par exemple, dans des messages texte entre suspects qui font référence à une activité illicite. D’autres signatures de trafic peuvent être basées sur des images, par exemple si la photo a été prise dans une chambre d’hôtel, contient certains objets tels que de l’argent liquide ou montre des types spécifiques de tatouages ​​que les trafiquants utilisent pour marquer leurs victimes. Un modèle d’apprentissage en profondeur sur lequel l’équipe travaille actuellement vise spécifiquement à reconnaître les tatouages ​​de couronne associés au trafic. «Le défi consiste à former le modèle à identifier la signature sur une large gamme de tatouages ​​de couronne qui semblent très différents les uns des autres, et nous constatons des performances robustes en utilisant cette technique», explique Daggett.

Un processus particulièrement chronophage pour les enquêteurs consiste à analyser des milliers d’appels téléphoniques en prison provenant de suspects en attente de procès, à la recherche d’indices de falsification de témoins ou de poursuite d’opérations illicites. Le laboratoire a mis à profit la technologie de reconnaissance vocale automatisée pour développer un outil permettant aux enquêteurs de transcrire et d’analyser partiellement le contenu de ces conversations. Cette capacité donne aux forces de l’ordre une idée générale de ce que pourrait être un appel, les aidant à trier ceux qui devraient être priorisés pour un examen plus approfondi. 

Enfin, l’équipe a développé une série d’outils destinés aux utilisateurs qui utilisent toutes les données traitées pour permettre aux enquêteurs de rechercher, de découvrir et de visualiser les connexions entre les artefacts de preuve, d’explorer des informations géolocalisées sur une carte et de créer automatiquement des chronologies de preuve.

«Les procureurs aiment vraiment l’outil de chronologie, car c’est l’une des tâches les plus exigeantes en main-d’œuvre lors de la préparation du procès», déclare Daggett.

Lorsque les utilisateurs cliquent sur un document, une épingle de carte ou une entrée de chronologie, ils voient une carte de données qui renvoie aux artefacts d’origine. «Ces outils vous ramènent aux principales preuves sur lesquelles les cas peuvent être construits», dit Daggett. «Une grande partie de ce prototypage consiste à cueillir ce que l’on pourrait appeler des fruits à portée de main, mais c’est vraiment plus comme des fruits déjà sur le sol qui sont utiles et qui ne sont tout simplement pas ramassés. »

Formation centrée sur la victime

Ces analyses de données sont particulièrement utiles pour aider les forces de l’ordre à corroborer les déclarations des victimes. Les victimes peuvent avoir peur ou ne pas vouloir donner une image complète de leur expérience aux enquêteurs, ou peuvent avoir de la difficulté à se souvenir d’événements traumatisants. Plus il y a de preuves non témoignant que les procureurs peuvent utiliser pour raconter l’histoire à un jury, moins les procureurs doivent faire pression sur les victimes pour les aider à obtenir une condamnation. Il y a une plus grande prise de conscience de la retraumatisation qui peut se produire pendant les processus d’enquête et de procès.    

«Au cours de la dernière décennie, il y a eu un plus grand changement vers une approche des enquêtes centrée sur la victime», déclare Hayley Reynolds, chef adjoint du groupe Human Health and Performance Systems Group et l’un des premiers leaders de la recherche sur la lutte contre la traite des êtres humains à le laboratoire. «On comprend mieux qu’on ne peut pas porter l’affaire en justice si les besoins d’un survivant ne sont pas maintenus au premier plan. »

L’amélioration de la formation des forces de l’ordre, en particulier dans l’interaction avec les victimes, était l’une des recommandations de l’équipe dans la feuille de route de la technologie de la traite. Dans ce domaine, le laboratoire a développé une capacité de formation basée sur des scénarios qui utilise des mécanismes de jeu pour informer les forces de l’ordre sur les aspects des entretiens avec les victimes tenant compte des traumatismes. La formation, appelée «jeu sérieux», aide les agents à découvrir comment l’approche qu’ils choisissent pour recueillir des informations peut établir des relations et une confiance avec une victime, ou peut réduire le sentiment de sécurité et traumatiser à nouveau les victimes. Cette capacité est actuellement évaluée par plusieurs organisations qui se spécialisent dans la formation des praticiens centrée sur les victimes. Le laboratoire a récemment publié un journal sur les jeux sérieux construits pour plusieurs domaines de mission au cours de la dernière décennie.

Daggett dit que le prototypage en partenariat avec l’État et les enquêteurs et procureurs fédéraux auxquels ces outils sont destinés est essentiel. «Tout ce que nous faisons doit être centré sur l’utilisateur», dit-il. «Nous étudions en détail leurs workflows et processus existants, présentons des idées de technologies susceptibles d’améliorer leur travail et évaluons ce qui aurait l’utilité la plus opérationnelle. C’est notre façon de trouver méthodiquement comment résoudre les problèmes les plus critiques », déclare Daggett.

Lorsque Daggett a témoigné devant le Congrès en juillet, il a évoqué la nécessité de créer une entité interinstitutions unifiée axée sur la R&D pour lutter contre la traite des êtres humains. Depuis lors, des progrès ont été accomplis vers cet objectif – le gouvernement fédéral a maintenant lancé le Centre de lutte contre la traite des personnes, le premier centre intégré à soutenir les enquêtes et l’analyse des renseignements, les activités de sensibilisation et de formation et l’aide aux victimes.

Daggett espère que les collaborations futures permettront aux technologues d’appliquer leur travail aux capacités dont la communauté a le plus besoin. «Une technologie bien conçue peut habiliter la communauté collective de lutte contre la traite des êtres humains et perturber ces opérations illicites. Une R&D accrue a le potentiel d’avoir un impact énorme en accélérant la justice et en accélérant la guérison des victimes. »

Laisser un commentaire