Les modèles informatiques sont essentiels pour tout étudier. Voici comment l'IA pourrait les rendre encore meilleurs

Voici une définition de la science : il s’agit essentiellement d’un processus itératif de construction de modèles dotés d’un pouvoir explicatif toujours plus grand.

Un modèle n’est qu’une approximation ou une simplification de la façon dont nous pensons que le monde fonctionne. Dans le passé, ces modèles pouvaient être très simples, aussi simples qu’une formule mathématique. Mais au fil du temps, ils ont évolué et les scientifiques ont construit des simulations du monde de plus en plus sophistiquées à mesure que de nouvelles données sont devenues disponibles.

Un modèle informatique du climat de la Terre peut nous montrer que les températures vont augmenter à mesure que nous continuons à émettre des gaz à effet de serre dans l'atmosphère. Les modèles peuvent également prédire comment une maladie infectieuse se propagera dans une population, par exemple.

Les modèles informatiques peuvent être rejetés si les preuves expérimentales ne les soutiennent pas. Il y a donc une sorte de course aux armements pour maintenir la compétitivité des modèles à mesure que de nouvelles données apparaissent. Et la révolution en cours dans le domaine de l’intelligence artificielle (IA) pourrait encore améliorer ces outils vitaux.

Prenez les prévisions météorologiques et climatiques. Les modèles numériques utilisés pour prédire le temps sont vastes, complexes et exigeants en termes de puissance de calcul nécessaire pour les exécuter.

Ils sont également incapables de tirer des leçons des conditions météorologiques passées. Cependant, les méthodes basées sur l’intelligence artificielle, y compris un sous-ensemble de l’IA connu sous le nom d’apprentissage automatique, ont montré un énorme potentiel d’amélioration par rapport à ce dont nous disposons actuellement.

L'apprentissage automatique implique la création d'algorithmes (ensembles de règles mathématiques pour effectuer des tâches particulières) capables d'apprendre à partir de données et d'appliquer ces leçons à des données invisibles.

Mais jusqu'à récemment, les modèles météorologiques intégrant des techniques d'apprentissage automatique n'étaient pas considérés comme adaptés à ce que l'on appelle la prévision d'ensemble, un ensemble de prévisions montrant l'éventail des conditions météorologiques futures possibles. Ils n’étaient pas non plus utiles pour les simulations météorologiques et climatiques à long terme, contrairement aux prévisions à court terme.

Cependant, une étude récente publiée dans Nature ont montré qu'un modèle d'apprentissage automatique appelé NeuralGCM produit des prévisions d'ensemble aussi bonnes que les principaux modèles. Cela pourrait également produire des prévisions réalistes à long terme sur les changements climatiques.

Les modèles d'apprentissage automatique doivent être « entraînés » en leur fournissant de nombreuses données, à partir desquelles ils apprennent et s'améliorent dans ce qu'ils font. Le processus de formation est coûteux et nécessite beaucoup de puissance informatique.

Cependant, une fois qu’un modèle est entraîné, son utilisation pour faire des prédictions est relativement rapide et peu coûteuse. Les résultats montrent que l’IA peut améliorer les simulations physiques à grande échelle, essentielles à la compréhension et à la prévision du système climatique.

Mégadonnées

Comme le disait le statisticien britannique George EP Box : « Tous les modèles sont faux mais certains modèles sont utiles ». Nous devons également nous rappeler que toutes les mesures sont fausses. Il y a toujours du bruit dans nos données et cela ne reflète pas tout à fait fidèlement l’état du monde.

Mais les modèles employant l’apprentissage automatique sont rendus possibles par le « big data ». De vastes réserves d’informations et de mesures peuvent être utilisées pour entraîner ces modèles, leur conférant ainsi un pouvoir prédictif toujours plus grand. En général, le Big Data est caractérisé par les trois V : volume, vélocité et variété.

Les données arrivent désormais en volumes plus importants, à une plus grande vitesse et avec une variété accrue. Cela est dû en partie à la manière dont différents appareils électroniques peuvent être connectés, via ce qu'on appelle « l'Internet des objets ».

Il sera essentiel d'améliorer notre compréhension de l'évolution du système climatique terrestre au cours des prochaines décennies pour éclairer les efforts visant à lutter contre les émissions de gaz à effet de serre. Cela nous aidera également à nous adapter aux effets du réchauffement climatique.

Des modèles utilisant l’apprentissage automatique et une autre approche basée sur l’IA appelée apprentissage profond ont été utilisés pour détecter et suivre le COVID-19. Les chercheurs ont développé des modèles d'apprentissage automatique qui intègrent des facteurs cliniques, génétiques et liés au mode de vie pour prédire le risque qu'un individu développe une maladie cardiovasculaire.

Les scientifiques ont également utilisé la technique d’apprentissage par renforcement profond de l’IA pour développer des outils leur permettant de contrôler le plasma chaud nécessaire pour générer des réactions de fusion nucléaire.

Dans le passé, l’IA était un domaine assez restreint avec des applications très spécifiques, comme jouer aux échecs. Avec l’avènement de l’IA générative, ses utilisations sont beaucoup plus larges, la technologie étant capable de créer de nouveaux contenus tels que du texte, des images et des vidéos.

Cela nous rapproche de l’objectif de l’intelligence artificielle générale, où la technologie devient capable d’accomplir n’importe quelle tâche qu’un humain pourrait accomplir. La construction de modèles informatiques du monde à l’aide de l’intelligence artificielle représente une autre étape majeure.

Le monde scientifique commence à reconnaître le pouvoir de l’IA, comme en témoigne l’attribution cette année de deux prix Nobel pour des travaux impliquant l’intelligence artificielle. Peut-être ne sommes-nous pas si loin d’un prix Nobel décerné à une IA – ou même d’une situation où une machine décide à qui attribuer les prix.