L’intelligence artificielle est désormais capable de prédire les vagues scélérates

Atlantico : Dans une étude publiée dans la revue PNAS, des scientifiques de l'Agence américaine d'observation océanique et atmosphérique ont utilisé l’intelligence artificielle pour construire une équation permettant de prédire le moment où des vagues scélérates, totalement imprévisibles, frapperont. Quelle a été la méthode utilisée par les scientifiques ? Comment l’IA leur a permis de déterminer la probabilité de la formation des vagues scélérates ?

Laurence Devillers : L’IA causale est une forme d’IA qui se concentre sur la compréhension et la modélisation des relations de cause à effet. L’IA causale est particulièrement utile dans des domaines tels que la recherche médicale, la prévision météorologique, et bien d’autres, où la compréhension des relations causales peut conduire à des prédictions plus précises et à de meilleures décisions. Elle a été utilisée pour prédire l’apparition de vagues scélérates, qui sont des vagues océaniques inhabituellement grandes et soudaines. Les chercheurs ont utilisé des informations passées sur les vagues pour enseigner à une intelligence artificielle (IA) à reconnaître les raisons possibles de la formation de ces vagues monstrueuses. "Ces scientifiques ont utilisé 700 ans de données sur plus d’un milliard de vagues pour trouver une formule permettant de prédire ces vagues." Ils ont utilisé la régression symbolique qui est une méthode d’apprentissage automatique qui cherche à trouver l’équation mathématique qui correspond le mieux à un ensemble de données. 

Une vague considérée comme exceptionnellement grande (jusqu’à plusde20 mètres) se forme chaque jour dans une zonedel’océan. Toutes ces vagues ne sont pas d’une taille extrême mais elles peuvent présenter un danger pour les navires. On pensait auparavant que la cause la plus courante était le vol d’énergie d’une vague par une autre. En réalité, le facteur le plus prédominant serait ce que les chercheurs appellent la« superposition linéaire ». Ce phénomène se produit lorsque deux systèmesdevagues se croisent et se renforcent mutuellement pendant une brève périodedetemps. 

Comment l’IA parvient à être aussi fiable ? 

L’IA causale diffère de l’apprentissage automatique traditionnel en ce sens qu’elle se concentre sur l’apprentissage des relations de cause à effet dans les données, tandis que l’apprentissage automatique traditionnel se concentre sur l’identification des modèles. Cependant, l’IA causale présente certaines limites, notamment la difficulté à déduire des variables causales abstraites, l’absence de consensus sur les aspects des données qui révèlent des relations causales, et la nécessité de méthodes non traditionnelles pour former ces modèles. Enfin, il est important de noter que l’IA générative et l’IA causale ont toutes leurs propres forces et limites, et peuvent être utilisées de manière complémentaire pour atteindre certains objectifs. 

Par exemple, des chercheurs proposent des solutions potentielles pour améliorer l’inférence causale dans l’apprentissage automatique, notamment l’utilisation de “modèles causaux structurels” et de “mécanismes causaux indépendants”. Les “modèles causaux structurels” sont des représentations formalisées des relations entre les variables considérées.  Les “mécanismes causaux indépendants”, quant à eux, se réfèrent à l’idée que les causes sont généralement indépendantes les unes des autres. Ces concepts sont utilisés par des chercheurs de diverses institutions qui travaillent sur des moyens d’intégrer ce type de concepts dans les modèles d’apprentissage automatique pour améliorer leur capacité de faire des inférences causales.