Les archives sont un outil clé pour parvenir au développement social et économique et à l'efficacité administrative, car elles reflètent toute la gamme des activités gouvernementales importantes, des expériences passées celles présentes, y compris les succès et les échecs. Il est largement reconnu que l'archivage numérique présente de nombreux avantages par rapport aux documents conservés manuellement. Ceux-ci incluent i) un risque réduit de perte de données ii) le respect de l'environnement iii) la sécurité des données iv) un accès plus rapide aux données v) une gestion simple des données vi) des économies globales et vii) un potentiel de récupération des données. Cependant, contrairement aux pays développés qui ont connu une maturité constante dans le domaine, l'archivage numérique en est encore à ses balbutiements dans les pays en développement, notamment en Afrique où des années d'esclavage, de colonisation, tant économique que politique, et de guerres ont privé des nations entières de leur histoire.
Cet article comble cette lacune en proposant un modèle d'archivage numérique appelé "Archivage 4.0" qui s'appuie sur les techniques de la quatrième révolution industrielle (4RI) pour i) générer un ensemble de données de personnalités politiques de la RDC à partir de différentes sources et ii) détecter les visages de ces personnalités politiques en utilisant des techniques d'apprentissage automatique. Le travail présenté dans cet article i) contribue à l'ensemble des travaux effectués sur la génération d'ensembles de données et la classification des personnalités politiques en RDC et ii) fournit un exemple qui peut être imité pour faire tourner des travaux connexes sur le continent africain où l'archivage numérique est nécessaire pour non seulement des études de recherche politique mais aussi pour la préservation de l'histoire des nations. Comme deuxième contribution, cet article révèle à travers l'évaluation des performances que l'apprentissage par transfert surpasse l'apprentissage automatique traditionnel sur différentes métriques d'intérêt.
Intervenant : Ferdinand Kahenga ferdinandkahenga@esisalama.org
KAHENGA NGONGO Ferdinand a fini en Génie Logiciel à l’ESIS en 2014. Il est détenteur d’un diplôme de master en sciences informatiques de l’Université Bourgogne Franche-Comté de France et est actuellement doctorant à University of Western-Cape de l’Afrique du Sud où il fait sa thèse dans le domaine de l’application deep Learning et plus précisément l’utilisation des techniques de Federated Learning dans la détection des deepfakes.
