L’IA révolutionne les modèles informatiques pour lutter contre le changement climatique et les maladies !

La science peut être définie comme un processus itératif consistant à construire des modèles dotés d’un pouvoir explicatif toujours plus important.

Un modèle est une approximation ou une simplification de notre compréhension du fonctionnement du monde. Par le passé, ces modèles étaient souvent très simples, parfois réduits à une formule mathématique. Cependant, au fil du temps, ils ont évolué et les scientifiques ont élaboré des simulations de plus en plus sophistiquées à mesure que de nouvelles données devenaient disponibles.

Un modèle informatique du climat terrestre, par exemple, peut prédire que les températures vont augmenter tant que nous continuons à émettre des gaz à effet de serre dans l’atmosphère. Les modèles peuvent également prévoir la propagation des maladies infectieuses dans une population.

Ces modèles informatiques peuvent être écartés si des preuves expérimentales ne les soutiennent pas. Il existe donc une sorte de compétition pour garder ces modèles à jour avec les nouvelles données. La révolution qui se produit dans le domaine de l’intelligence artificielle (IA) pourrait améliorer encore ces outils essentiels.

Considérons par exemple la prévision météorologique et climatique. Les modèles numériques utilisés pour prédire le temps sont compliqués, volumineux et nécessitent une puissance de calcul considérable.

Ils ne peuvent également pas apprendre des schémas météorologiques passés. Cependant, des méthodes basées sur l’intelligence artificielle, en particulier un sous-ensemble connu sous le nom d’apprentissage automatique, montrent un grand potentiel pour améliorer nos prévisions actuelles.

L’apprentissage automatique consiste à créer des algorithmes (ensembles de règles mathématiques destinées à accomplir des tâches spécifiques) capables d’apprendre à partir de données et d’appliquer ces leçons à de nouvelles informations.

Cependant, jusqu’à récemment, les modèles météorologiques intégrant des techniques d’apprentissage automatique n’étaient pas considérés comme adaptés à la prévision d’ensemble, qui combine différentes prévisions pour montrer la gamme des conditions météorologiques futures. De plus, ils n’étaient pas utiles pour simuler le climat à long terme, contrairement aux prévisions à court terme.

Cependant, une étude récente publiée dans Nature a montré qu’un modèle d’apprentissage automatique appelé NeuralGCM produit des prévisions d’ensemble aussi précises que celles des meilleurs modèles actuels. Il peut également fournir des prévisions réalistes à long terme concernant les changements climatiques.

Les modèles d’apprentissage automatique doivent être “entraînés” en leur fournissant de nombreuses données, ce qui leur permet d’apprendre et de s’améliorer. Ce processus d’entraînement est coûteux et exige une puissance de calcul importante.

En revanche, une fois le modèle entraîné, l’utilisation pour effectuer des prédictions est relativement rapide et économique. Les résultats montrent que l’IA peut améliorer les simulations physiques à grande échelle, essentielles pour comprendre et prédire le système climatique.

Données massives

Comme l’a dit le statisticien britannique George E.P. Box, « Tous les modèles sont faux, mais certains modèles sont utiles ». Il est également important de garder à l’esprit que toutes les mesures comportent une part d’erreur. Il y a toujours un certain bruit dans nos données, qui ne reflètent pas entièrement l’état du monde.

Cependant, les modèles utilisant l’apprentissage automatique bénéficient des « données massives ». De vastes réserves d’informations peuvent être utilisées pour entraîner ces modèles, leur offrant ainsi un pouvoir prédictif toujours plus grand. En général, les données massives se caractérisent par trois V : volume, vélocité et variété.

Désormais, les données arrivent en plus grandes quantités, à une vitesse accrue et avec une diversité supérieure, en partie grâce à la connectivité entre différents appareils via ce qu’on appelle l’« Internet des objets ».

Améliorer notre compréhension de l’évolution du système climatique terrestre dans les prochaines décennies sera crucial pour orienter les efforts visant à réduire les émissions de gaz à effet de serre. Cela nous permettra également de mieux nous adapter aux effets du réchauffement climatique.

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

Ainsi, les scientifiques ont également utilisé la technique de l’apprentissage par renforcement profond pour élaborer des outils permettant de contrôler le plasma chaud nécessaire à la génération de réactions de fusion nucléaire.

Dans le passé, l’IA était un domaine relativement étroit avec des applications très spécifiques, comme jouer aux échecs. Avec l’émergence de l’IA générative, ses usages sont aujourd’hui beaucoup plus variés, la technologie étant capable de créer du contenu nouveau tel que des textes, des images et des vidéos.

Cela nous rapproche de l’objectif de l’intelligence artificielle générale, où la technologie serait en mesure d’accomplir n’importe quelle tâche humaine. La construction de modèles informatiques du monde grâce à l’intelligence artificielle représente une nouvelle étape importante.

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. Il se pourrait bien que l’on ne soit pas si éloigné d’un prix Nobel décerné à une IA – ou même d’une situation où une machine déciderait de l’attribution des prix.