-Les données Twitter peuvent vous informer jusqu’à 8 jours à l’avance
-90% Précision
Adam Sadilek de l’Université de Rochester et son équipe ont analysé 4,4 millions de Tweets balisés par GPS de plus de 600 000 utilisateurs à New York au cours d’un mois en 2010. En utilisant leur algorithme d’intelligence artificielle pour ignorer les tweets de personnes en bonne santé telles que celles qui prétendent qu’elles étaient « malades » d’une chanson particulière, et entraînez-la pour trouver ceux qui étaient vraiment malades, ils sont capables de suivre avec une précision de près de 90 % et près de 8 jours à l’avance.
Selon le blog de Sadilek :
Étant donné que trois de vos amis présentent des symptômes pseudo-grippaux et que vous avez récemment rencontré huit personnes, peut-être des étrangers, qui se plaignent d’avoir le nez qui coule et des maux de tête, quelle est la probabilité que vous tombiez également malade bientôt ? Nos modèles vous permettent de voir la propagation des maladies infectieuses, telles que la grippe, dans une population réelle observée via les réseaux sociaux en ligne. Nous appliquons des techniques d’apprentissage automatique et de compréhension du langage naturel pour déterminer l’état de santé des utilisateurs de Twitter à un moment donné. Comme une grande partie des tweets sont géolocalisés, nous pouvons les tracer sur une carte et observer comment les personnes malades et en bonne santé interagissent. Notre modèle prédit ensuite si et quand un individu tombera malade avec une grande précision, améliorant ainsi notre compréhension de l’émergence d’épidémies mondiales à partir des interactions quotidiennes des personnes. Vous pouvez explorer la santé des New-Yorkais avec notre application Web sur corpora.io. Ci-dessus, vous voyez une visualisation par carte thermique de la prévalence de la grippe à New York, telle qu’observée à travers les données publiques de Twitter. Plus une zone est rouge, plus les gens sont touchés par la grippe à cet endroit. Nous montrons des modèles agrégés émergents en temps réel, avec une résolution seconde par seconde. En revanche, les méthodes de pointe précédentes (y compris Google Flu Trends et les données gouvernementales) impliquaient des décalages de plusieurs jours à plusieurs années. Vous pouvez jouer avec notre carte thermique ici. Les modèles épidémiologiques à grain fin que nous montrons ici ne sont qu’un exemple de la classe générale de problèmes que notre système résout. D’autres domaines incluent la compréhension du sentiment public autour de votre entreprise ou de vos produits, la diffusion d’informations au sein d’une population et la prédiction du comportement des clients. En complétant les ensembles de données existants avec des informations en temps réel et des indices provenant des médias sociaux, nous sommes en mesure de relier les points, de visualiser des modèles et d’affiner les modèles en fonction des commentaires des utilisateurs.
Trop tard pour faire quoi que ce soit ?
Apparemment, cet algorithme est précis 90% du temps et jusqu’à 8 jours à l’avance. La question est de savoir si ces données vous aident à éviter la maladie, ou vous indiquent-elles simplement une catastrophe imminente… En tout cas, c’est un truc intelligent !
