Loup Rouge, Loup Bleu : La reconnaissance faciale alimentée par l’IA et la surveillance des Palestiniens

Peu d’endroits sur Terre sont autant surveillés que les territoires palestiniens occupés.

Dans les rues de Hébron, aux postes de contrôle bondés de Jérusalem-Est, et dans la vie quotidienne de millions de personnes, des systèmes avancés d’IA agissent à la fois comme gardien et comme veilleur.

Derrière les caméras et les bases de données se trouvent deux outils efficaces et inquiétants — Loup Rouge et Loup Bleu — des systèmes de reconnaissance faciale conçus non pour la commodité ou le commerce, mais pour le contrôle.

Leur tâche : scanner les visages, les comparer à des bases de données biométriques vastes, et décider si quelqu’un peut se déplacer librement ou doit être arrêté.

Ce qui rend ces systèmes si inquiétants, ce n’est pas seulement la technologie elle-même, mais la façon dont ils sont utilisés — cibler une population entière en fonction de l’ethnicité, collecter des données sans consentement, et intégrer des algorithmes dans la machinerie de l’occupation.

Dans les sections qui suivent, nous explorons comment ces systèmes d’IA fonctionnent, où ils ont été déployés, les abus qu’ils alimentent, et pourquoi ils sont importants bien au-delà de la Palestine.

Comment fonctionnent Loup Rouge et Loup Bleu

Loup Bleu est une application mobile utilisée par les soldats en patrouille. Une photo rapide du visage d’un Palestinien déclenche une vérification instantanée contre un grand référentiel biométrique souvent appelé par les troupes Wolf Pack.

La réponse est brutale et simple : un code de couleur. Vert suggère la permission de passer ; jaune signifie arrêter et interroger ; rouge signale la détention ou le refus d’entrée.

Loup Bleu n’est pas seulement un outil de recherche. Il enregistre de nouveaux visages. Lorsqu’une photo ne correspond pas, l’image et les métadonnées peuvent être ajoutées à la base de données, créant ou élargissant un profil. Les unités ont été encouragées à capturer autant de visages que possible pour « améliorer » le système.

Loup Rouge déplace l’identification vers le poste de contrôle lui-même. Des caméras fixes aux tourniquets scannent chaque visage qui entre dans la cage. Le système compare le modèle facial aux profils enregistrés et affiche les mêmes couleurs de triage sur un écran.

Si le système ne vous reconnaît pas, vous ne passez pas. Votre visage est alors capturé et enregistré pour la prochaine fois.

IA et apprentissage automatique sous le capot

Les fournisseurs et les architectures de modèles exacts ne sont pas publics. Mais le comportement correspond à un pipeline de vision par ordinateur standard :

• Détection : Les caméras ou les capteurs de téléphone localisent un visage dans le cadre.
• Repérage : Des points clés (yeux, nez, coins de la bouche) sont cartographiés pour normaliser la pose et l’éclairage.
• Intégration : Un réseau neuronal profond convertit le visage en un vecteur compact (« empreinte faciale »).
• Appariement : Ce vecteur est comparé aux intégrations stockées en utilisant la similarité cosinus ou une recherche de plus proche voisin.
• Décision : Si la similarité dépasse un seuil, le profil est renvoyé avec un statut ; sinon, un nouveau profil peut être créé.

Ce qui est caractéristique ici, c’est la spécificité de la population. Les données de formation et de référence se composent principalement de visages palestiniens. Cela concentre les performances du modèle sur un seul groupe — et codifie une forme de profilage numérique par conception.

À grande échelle, les systèmes utilisent probablement l’inférence de bord pour la vitesse (téléphones et unités de contrôle exécutant des modèles optimisés) avec une synchronisation asynchrone vers les serveurs centraux. Cela minimise la latence au tourniquet tout en gardant la base de données centrale à jour.

Les seuils peuvent être réglés dans le logiciel. Augmenter les seuils réduit les faux positifs mais augmente les faux négatifs ; diminuer les seuils fait l’inverse. Dans un contexte de contrôle, les incitations sont biaisées vers la surestimation, ce qui déplace le fardeau de l’erreur sur les civils.

Données, étiquettes et dérive

La reconnaissance faciale n’est « bonne » que que si ses données le sont.

Les campagnes de collecte de photos de masse de Loup Bleu agissent comme une acquisition de données. Les visages sont capturés dans des éclairages et des angles variés, avec des étiquettes attachées a posteriori : identité, adresse, liens familiaux, profession et note de sécurité.

Ces étiquettes ne sont pas la vérité fondamentale. Ce sont des affirmations administratives qui peuvent être obsolètes, biaisées ou fausses. Lorsque de telles étiquettes alimentent la rééducation du modèle, les erreurs se durcissent en fonctionnalités.

Au fil du temps, la dérive des données s’insinue. Les enfants deviennent des adultes. Les gens changent d’apparence. Le manque d’exemples « difficiles » (personnes ayant une apparence similaire, occultations, masques) peut gonfler les taux d’erreur réels. Si la surveillance et la rééquilibration sont faibles, le système se dégrade discrètement — tout en conservant la même aura de certitude au poste de contrôle.

Où il est déployé et comment il s’étend

Le secteur H2 de Hébron est le creuset. Des dizaines de postes de contrôle internes régulent les mouvements à travers les rues de la vieille ville et les foyers palestiniens.

Loup Rouge est fixé à des tourniquets sélectionnés, créant un entonnoir d’enregistrement obligatoire. Loup Bleu suit à pied, étendant la couverture aux marchés, aux rues secondaires et aux portes privées.

À Jérusalem-Est, les autorités ont superposé des caméras de surveillance CCTV capables d’IA à travers les quartiers palestiniens et autour des sites saints. Les caméras identifient et suivent les individus à distance, permettant des arrestations après l’événement en faisant passer la vidéo à travers la recherche de visages.

La densité de surveillance compte. Plus il y a de caméras et de points de capture, plus le graphique de population est complet : qui vit où, qui visite qui, qui assiste à quoi. Une fois établi, ce graphique alimente non seulement la reconnaissance, mais également l’analyse de réseaux et les modèles de style de vie.

Hébron : une ville sous verrou numérique

Les résidents décrivent des postes de contrôle qui ressemblent moins à des frontières et plus à des portes automatiques. Un écran rouge peut verrouiller quelqu’un hors de sa propre rue jusqu’à ce qu’une annulation humaine arrive — si elle arrive du tout.

Au-delà du contrôle d’accès, la grille de caméras imprègne la vie quotidienne. Les objectifs dépassent des toits et des lampadaires. Certains pointent vers les cours et les fenêtres. Les gens raccourcissent les visites, changent d’itinéraire et évitent de traîner à l’extérieur.

Le coût social est subtil mais omniprésent : moins de rassemblements dans les cours, moins de conversations fortuites, moins de jeux de rue pour les enfants. Une ville devient silencieuse non parce qu’elle est sûre, mais parce qu’elle est surveillée.

Jérusalem-Est : des caméras à chaque coin

Dans la vieille ville de Jérusalem-Est et dans les quartiers environnants, la reconnaissance faciale repose sur un réseau CCTV étendu.

Les images sont recherchables. Les visages d’une manifestation peuvent être appariés des jours plus tard. La logique est simple : vous pouvez partir aujourd’hui, mais vous ne partirez pas de la base de données.

Les résidents parlent du « deuxième sens » que vous développez — une conscience de chaque dôme monté sur poteau — et de la censure interne qui l’accompagne.

La crise des droits de l’homme

Plusieurs lignes rouges sont franchies à la fois :

• Égalité : Seuls les Palestiniens sont soumis à la triage biométrique dans ces postes de contrôle. Des itinéraires distincts protègent les colons d’une surveillance comparable.
• Consentement : L’enregistrement est involontaire. Refuser d’être scanné signifie refuser de bouger.
• Transparence : Les gens ne peuvent pas voir, contester ou corriger les données qui les régissent.
• Proportionnalité : Un filet biométrique à faible friction et toujours actif traite une population entière comme suspecte par défaut.

La reconnaissance faciale peut également mal identifier — surtout avec une mauvaise éclairage, une occultation partielle ou un changement d’âge. Dans ce contexte, une fausse correspondance peut signifier la détention ou le refus de passage ; une correspondance manquante peut laisser quelqu’un à un tourniquet.

L’impact psychologique

La vie sous la surveillance persistante de l’IA enseigne la prudence.

Les gens évitent les rassemblements, modifient leurs routines et surveillent plus étroitement les enfants. Les mots sont pesés en public. Le mouvement est calculé.

Beaucoup décrivent l’effet déshumanisant d’être réduit à un vert, jaune ou rouge code. Le jugement binaire d’une machine devient le fait le plus important de votre journée.

Gouvernance, droit et responsabilité

À l’intérieur d’Israël proprement dit, la reconnaissance faciale a rencontré des réactions de protection de la vie privée. Dans les territoires occupés, un autre régime juridique s’applique, et les ordres militaires outrepassent les normes de confidentialité civile.

Des lacunes clés :

• Aucune surveillance indépendante avec le pouvoir d’auditer les ensembles de données, les seuils ou les taux d’erreur.
• Aucun processus d’appel pour les individus incorrectement signalés ou enregistrés.
• Règles de rétention et de partage définies pour les données biométriques et les profils dérivés.
• Risque de dérive des finalités à mesure que les ensembles de données et les outils sont réutilisés pour la ciblage du renseignement et la surveillance de réseaux.

Sans limites contraignantes, la trajectoire par défaut est l’expansion : plus de caméras, de listes de surveillance plus larges, d’intégrations plus profondes avec d’autres ensembles de données (téléphones, véhicules, services publics).

À l’intérieur de la boucle de décision

La reconnaissance faciale ne fonctionne pas dans le vide. Elle est fusionnée avec :

• Les listes de surveillance : Des listes de noms, d’adresses et d’« associés » qui guident les résultats de la couleur de code.
• Les règles de géocodage : Des emplacements ou des fenêtres de temps qui déclenchent une surveillance accrue.
• L’expérience utilisateur de l’opérateur : Un triage de couleur simple qui encourage les préjugés d’automatisation — la déférence humaine aux sorties de la machine.
• Les tableaux de bord de commande : Des cartes thermiques, des alertes et des statistiques qui peuvent transformer « plus d’arrêts » en « meilleures performances ».

Une fois que les métriques de commande privilégient le volume — plus de scans, plus de drapeaux, plus de « trouvailles » —, le système dérive vers la maximisation de la friction pour la population qu’il régit.

Ce qui le distingue de la surveillance conventionnelle

Trois fonctionnalités distinguent Loup Rouge/Loup Bleu :

1. Capture obligatoire : Le mouvement nécessite souvent un scan. Le refus d’être scanné signifie le verrouillage.
2. Spécificité de la population : Le modèle et la base de données se concentrent sur un seul groupe ethnique, incorporant la discrimination dans le pipeline.
3. <strong<Intégration opérationnelle : Les sorties contrôlent instantanément l’accès et déclenchent l’application, et non seulement l’analyse après coup.

Des éléments évoquent d’autres déploiements dans le monde : des grilles de caméras denses, des recherches de visages sur les images de manifestations, un renseignement prédictif alimenté par des étiquettes biaisées.

Mais la fusion de l’occupation militaire et de la circulation gérée par l’IA est inhabituellement frappante. Elle démontre comment la vision par ordinateur moderne peut durcir les systèmes de ségrégation — les rendant plus rapides, plus silencieux et plus difficiles à contester.

Les responsables de la sécurité affirment que ces outils préviennent la violence et rendent le contrôle plus efficace.

Les critiques répliquent que « l’occupation efficace » n’est pas une amélioration éthique. Elle industrialise simplement le contrôle — et déplace le coût de l’erreur sur les civils qui n’ont aucun recours.

Que regarder ensuite

• La progression du modèle : L’expansion de l’identification des visages à l’analyse de la démarche, de la voix et du comportement.
• L’ajustement des seuils : Les changements de politique qui augmentent ou diminuent discrètement les barres de correspondance — et le fardeau pour les civils.
• La fusion de données : Le lien entre les données biométriques et les métadonnées de télécommunication, les lecteurs de plaques d’immatriculation, les paiements et les services publics.
• L’exportation : L’adoption de systèmes similaires « éprouvés au combat » par d’autres gouvernements, commercialisés comme des solutions de ville intelligente ou de sécurité frontalière.

Conclusion : Un avertissement pour le monde

À un tourniquet de Hébron ou dans une allée de la porte de Damas, l’IA est devenue un décideur permanent sur le mouvement humain.

Le danger n’est pas la caméra seule. C’est le système : l’enregistrement obligatoire, les bases de données opaques, le triage instantané et un vide juridique qui traite un peuple entier comme suspect permanent.

Ce qui se normalise, c’est un modèle — une façon de gouverner à travers les algorithmes. Le choix auquel est confronté le monde plus large est d’accepter ce modèle ou de tracer une ligne dure avant que la suspicion automatisée ne devienne le réglage par défaut de la vie publique.