Calcul ou prédiction

L’intelligence artificielle perturbe très fortement la démarche scientifique et plus généralement toutes les démarches d’investigation. Alors que nous avons passé des années à construire des modèles mathématiques que nous avons ensuite plus ou moins validés par quelques expériences, le deep learning part quant à lui de l’expérience et ne fait guère de cas de nos idées sur la physique des phénomènes. Nous passons d’une approche par le calcul à une approche par la prédiction. Et c’est un problème psychologique plus qu’épistémologique. Voyons cela sur un cas…pas si simple que ça.

Entre une balle en plomb et une plume lâchées ensemble du haut d’une tour, laquelle arrivera au sol en premier… Voilà le problème.

Nous allons successivement analyser les façons de résoudre ce problème…

Le calcul

Les équations de Newton donnent, sans faillir, la réponse. Vous pouvez la trouver dans wikipedia https://fr.wikipedia.org/wiki/Chute_libre_(cin%C3%A9matique)

La masse n’intervient pas et les deux arrivent en même temps. Je peux donc calculer ce temps pour une hauteur donnée.

L’expérience

Si on fait l’expérience, on obtient…..

La plume fait ce que font les plumes, elle virevolte. Maudite soit la Nature qui ne veut pas suivre les équations de Newton.

Attitude traditionnelle: sauver le modèle

La Nature n’en faisant qu’à sa tête et nous convaincus de la supériorité de l’esprit humain, comment résoudre cet affront? Ce problème de confrontation à l’expérience ne se pose bien sûr que pour les sciences expérimentales. Quand la science ne peut expérimenter, comme en cosmologie, les modèles ont toujours raison.

Solution 1: ajouter des constantes et des variables

Nous allons donc ajouter au modèle une « trainée », des constantes de résistance de l’air et si ça ne suffit pas des équations supplémentaires (de Navier-Stokes) assorties également de leurs coefficients. Quelques millions d’euros plus tard, cela marche, pour peu que l’on ajuste les variables.

Solution 2: ajuster la réalité

La réalité ne nous convenant pas, nous pouvons changer les conditions de l’expérience pour que le modèle marche. Par exemple, en pompant à grand prix l’air d’une enceinte pour supprimer la cause de nos désagréments mathématiques.

Cela marche. Mais c’est cher et cela ne correspond aux conditions expérimentales « naturelles »

Attitude pragmatique: par IA, Machine Learning, Deep learning

Cette fois nous allons prendre les données de centaines d’expériences pour entrainer un réseau de neurones à prédire qui, de la balle ou de la plume, ira le plus vite. Pour cela nous allons prendre toutes les informations que nous avons sur les protagonistes, même la photo de la plume et l’âge de l’oiseau..Les expériences sont faites dans l’état réel, c’est à dire dans l’air et dans les conditions qui correspondent à la réalité.

Exemple de réseau de neurone

Une fois l’entrainement fait, le réseau de neurones ne va pas donner le calcul du temps de chute mais une prédiction, le temps de chute le plus probable, et cela bien souvent avec une meilleure précision que le modèle mathématique.

Calcul ou prédiction, avantages comparés

Un calcul ne vérifie pas la réalité, mais les équations qui le constituent. L’expression consacrée c’est « Tous les modèles sont faux, mais certains sont utiles« . Si ses équations sont très bonnes, alors il ressemblera à la Nature. Sinon, il la caricaturera. Il est destiné aux phénomènes compliqués, mais pas complexes et est indispensable quand les essais coûtent cher. Il est satisfaisant pour l’esprit, car il apporte des réponses en termes de causalité. Il permet notamment d’isoler les effets des paramètres sur le résultat, même si le plus souvent ces relations de cause à effet ne sont pas si claires expérimentalement. Enfin, tous les chercheurs, les ingénieurs, ont été élevés comme ça, au point que confondre les équations avec la réalité, au point de croire que la carte c’est le territoire. C’est également satisfaisant, car cela permet de jolies visualisations de choses invérifiables comme la température au sein d’un endroit inatteignable ou la pression dans un endroit où tout capteur serait détruit. Cela rend les présentations plus « fun ».

La prédiction s’adresse aux problèmes complexes dont les variables sont majoritairement et souvent définitivement cachées. Mesurer certaines variables est impossible. Elle ne présuppose pas de relations de cause à effet. Notamment une variable peut avoir un effet positif sur le résultat quand elle est activée en même temps que plusieurs autres dans des gammes différentes, et négatif lorsqu’elle est activée seule. La Nature étant pleine de ces interactions complexes, de ces propriétés émergentes, rien ici qui puisse surprendre l’expérimentateur.

Le calcul donne un résultat avec une marge d’erreur (le plus souvent impossible à calculer précisément). La prédiction donne le résultat, assortie d’un écart, avec une certaine probabilité que la prédiction soit juste. Par exemple:

Vitesse de la plume par calcul : 1 m/s ± 10%

Vitesse de la plume par prédiction : 0.5 m/s ± 0.1 % avec une probabilité de 75% et 0.5 m/s ± 1 % avec une probabilité de 99%

Une théorie, cela doit être capable de parier. La calcul est un processus de représentation cognitive de la réalité, la prédiction est processus de prise de décision, un pari qui peut/doit être vérifier.

Donc pas de dogme, juste vérifier que ça marche.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.