Comment ça marche · L'IA · module en construction

Les IA qui prédisent

Mis à jour le . Ce sujet évolue vite (true) : vérifie s'il y a du nouveau depuis cette date.

Le temps qu'il fera demain, l'électricité qu'il faudra produire, et même l'endroit où des délits seraient commis : on demande aux machines de prévoir. Prévois une semaine de consommation, découvre qu'une corrélation peut prédire sans rien expliquer, puis regarde une patrouille s'enfermer dans un quartier.

Choisis ton niveau et ta façon de lire : tu peux en changer à tout moment.

Étape 0 : Prévoir le temps

🟢 Découverte

Prévoir la météo, c'est calculer l'état de l'atmosphère de demain à partir de celui d'aujourd'hui. Pendant des décennies, on l'a fait avec les équations de la physique. Depuis peu, des IA apprennent aussi à prévoir à partir de la météo du passé.

🟡 Curieux

Les deux approches ne s'opposent pas. Les modèles physiques calculent comment l'air, l'eau et la chaleur se déplacent. Les IA ont appris, sur des décennies de données passées, à quoi ressemble la météo du lendemain : elles calculent une prévision bien plus vite, avec beaucoup moins d'énergie. Mais elles ont besoin de ces données, et donc du travail de celles et ceux qui observent le temps.

🔴 Ingénieur

GraphCast (publié dans Science en 2023) est entraîné sur des « réanalyses », des archives de la météo passée. Il prévoit des centaines de variables pour les dix jours suivants, sur une grille de 0,25° couvrant le globe, en moins d'une minute ; il fait mieux que le meilleur système classique sur 90 % des 1 380 critères testés. Le 25 février 2025, le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) met en service son modèle d'IA, l'AIFS : jusqu'à 20 % de mieux sur certains critères comme la trajectoire des cyclones, pour environ 1 000 fois moins d'énergie par prévision.

Un peu d'histoire

En 1922, Lewis Fry Richardson publie Weather Prediction by Numerical Process. Il a calculé à la main, pendant la majeure partie de six semaines, une prévision à six heures : elle annonce une hausse de pression de 145 millibars, alors que le baromètre n'a presque pas bougé. Il imagine pourtant une « usine à prévisions » : un grand théâtre où 64 000 « calculateurs », des personnes qui calculent, suivraient le temps de la planète entière.

En 1950, Jule Charney, Ragnar Fjørtoft et John von Neumann publient quatre prévisions à 24 heures calculées à partir de données réelles, avec l'ordinateur ENIAC de l'armée américaine, à Aberdeen (Maryland). Le calcul d'une prévision à 24 heures prend environ 24 heures : « nous arrivions tout juste à suivre le rythme du temps », écrivent-ils, en saluant le « rêve de Richardson ». Il a fallu produire environ 100 000 cartes perforées. Les auteurs remercient en premier « Mrs K. von Neumann », Klára von Neumann, qui leur a enseigné la technique de programmation de l'ENIAC et a vérifié le programme final.

Idées reçues

« Avec l'IA, on n'a plus besoin de la physique pour prévoir la météo. » L'ECMWF présente son modèle d'IA et son modèle physique comme complémentaires, et fait de leur combinaison un sujet de recherche pour les années à venir.

Étape 1 : Prévoir la consommation

On connaît la consommation d'électricité d'un pays imaginaire pendant quatre semaines d'hiver, et on veut prévoir la semaine suivante. Répéter le dernier jour connu donne une erreur moyenne de 8,2 GW ; recopier la semaine précédente, 4,8 GW ; prendre la moyenne des sept derniers jours, 2,8 GW. Un modèle qui tient compte du jour de la semaine et de la température prévue se trompe de 0,6 GW seulement. Si une vague de froid arrive, les trois premières méthodes se trompent de 19 à 27 GW, le modèle à température de 0,8 GW.

🟢 Découverte

L'électricité se stocke mal : il faut en produire, à chaque instant, autant qu'on en consomme. D'où l'importance de prévoir la consommation de demain. Choisis une méthode et compare-la à la réalité.

🟡 Curieux

Une suite de mesures prises dans le temps s'appelle une série temporelle. Les méthodes les plus simples recopient le passé. Elles ne voient pas venir ce qui ne s'est pas encore produit, comme une vague de froid. Un modèle qui a appris d'où viennent les variations (le jour de la semaine, la température) peut utiliser une autre prévision, celle de la météo.

🔴 Ingénieur

Le modèle de l'animation est une régression linéaire : consommation ≈ a + b × (week-end) + c × (15 °C − température), les coefficients étant ajustés sur les quatre semaines connues par la méthode des moindres carrés. En France, RTE, le gestionnaire du réseau de transport d'électricité, indiquait en 2019 une hausse de la consommation pouvant aller jusqu'à 2 400 mégawatts par degré en moins lors d'une vague de froid sévère et durable.

Un peu d'histoire

Pour juger une prévision, on la compare à une méthode naïve, comme « demain sera comme aujourd'hui ». Une IA compliquée qui ne bat pas cette référence ne sert à rien : c'est la première question à poser à toute prédiction.

Idées reçues

« Plus il y a de données du passé, mieux on prédit. » Pas si l'avenir ne ressemble pas au passé : ici, quatre semaines d'hiver doux n'apprennent rien d'une vague de froid aux méthodes qui se contentent de recopier.

Étape 2 : Prédire n’est pas expliquer

Sur 60 journées d'été inventées, plus on vend de glaces, plus on soigne de coups de soleil : la corrélation vaut 0,92, presque parfaite. Les ventes de glaces permettent donc de prédire les coups de soleil. Mais à température égale, la corrélation tombe à 0,02 : c'est la chaleur qui fait vendre des glaces et qui donne des coups de soleil. Interdire les glaces n'éviterait aucun coup de soleil.

🟢 Découverte

Deux choses qui varient ensemble permettent de prédire l'une à partir de l'autre. Mais l'une cause-t-elle l'autre ? Regarde les glaces et les coups de soleil, puis compare à température égale.

🟡 Curieux

Une IA qui prédit trouve des corrélations : des choses qui varient ensemble. Elle ne dit pas pourquoi. Souvent, une troisième cause (ici la chaleur) explique les deux. Pour prédire, la corrélation suffit ; pour agir, il faut connaître la cause. Interdire les glaces ne protège personne du soleil.

🔴 Ingénieur

La corrélation de Pearson va de −1 à 1. « Comparer à température égale » revient ici à calculer une corrélation partielle : on retire de chaque grandeur ce que la température permet d'en prédire, puis on corrèle ce qui reste. Pour établir une cause, on compare des groupes tirés au hasard (un essai contrôlé), ou on s'appuie sur des méthodes d'inférence causale.

Un peu d'histoire

En 2012, le médecin Franz Messerli publie dans le New England Journal of Medicine une corrélation de 0,79 entre la consommation de chocolat de 23 pays et leur nombre de prix Nobel par habitant ; la Suisse arrive en tête des deux classements. Il rappelle lui-même qu'une corrélation ne prouve pas une cause, et envisage trois explications : le chocolat favoriserait les Nobel, les Nobel feraient manger du chocolat, ou une cause commune agirait sur les deux, comme le niveau de vie, qu'il juge insuffisante. Ses calculs vont jusqu'à estimer la quantité de chocolat qu'il faudrait manger par habitant pour gagner un prix Nobel de plus : environ 400 grammes par an.

Idées reçues

« Si l'IA le prédit, c'est que c'est la cause. » Une IA peut prédire très bien à partir d'un indice qui n'est qu'un symptôme. S'en servir pour décider d'une action peut ne rien changer, ou nuire.

Étape 3 : Prédire les délits ?

Deux quartiers, A et B, ont autant de délits l'un que l'autre. L'historique en a simplement enregistré un peu plus en A. Chaque jour, une patrouille va là où l'on a enregistré le plus de délits, et la police n'enregistre que ce qu'elle découvre là où elle passe. Résultat : en 60 jours, la patrouille va toujours en A, et aucun délit n'est enregistré en B. Même si B a en réalité deux fois plus de délits, la patrouille reste en A. Comparer les délits par jour de patrouille, et envoyer de temps en temps la patrouille dans le quartier le moins visité, corrige la boucle.

🟢 Découverte

Des logiciels de « police prédictive » indiquent les lieux où des délits risquent d'être commis, pour y envoyer des patrouilles. Mais ils apprennent sur les délits enregistrés, pas sur tous les délits commis. Choisis la réalité, puis la méthode.

🟡 Curieux

La police enregistre surtout les délits qu'elle voit, là où elle patrouille. Si un modèle envoie les patrouilles là où l'on a déjà enregistré des délits, elles en trouvent d'autres… au même endroit. La prévision se confirme d'elle-même : c'est une boucle de rétroaction. Le module Les IA qui décident pour nous montre la même boucle pour des contrôles d'allocations.

🔴 Ingénieur

En 2018, D. Ensign, S. A. Friedler, S. Neville, C. Scheidegger et S. Venkatasubramanian démontrent mathématiquement cette « boucle de rétroaction qui s'emballe » : les patrouilles reviennent dans les mêmes quartiers « quel que soit le taux réel de délits ». Les signalements des habitant·es l'atténuent sans la supprimer ; il faut corriger ce qu'on donne au modèle, par exemple en tenant compte de la présence policière, comme dans la méthode corrigée de l'animation.

Un peu d'histoire

En 2015, des chercheur·ses publient deux essais contrôlés menés avec la police de Los Angeles et celle du Kent (Royaume-Uni). Leur modèle prédit 1,4 à 2,2 fois plus de délits que les cartes d'analystes, et les patrouilles guidées par ses prévisions sont associées à une baisse moyenne de 7,4 % des délits. L'article le déclare : deux des auteurs ont cofondé l'entreprise PredPol, qui vend ce type de logiciel, et cinq des sept en détiennent des actions.

En 2016, Kristian Lum et William Isaac, du Human Rights Data Analysis Group et de l'université d'État du Michigan, appliquent cet algorithme publié aux données de la police d'Oakland (Californie) sur la drogue. Les arrestations de 2010 se concentrent dans deux quartiers majoritairement non blancs et pauvres, avec environ 200 fois plus d'arrestations qu'ailleurs, alors qu'une enquête nationale de santé publique suggère une consommation de drogue répartie dans toute la ville. Appliqué à 2011, l'algorithme aurait visé les personnes noires environ deux fois plus que les blanches, alors que la consommation estimée est à peu près la même. Et si la police trouve 20 % de délits de plus là où elle patrouille, l'algorithme devient de plus en plus sûr que les délits sont… là où il l'envoie. Leur conclusion : la police prédictive « prédit la police future, pas les délits futurs ».

En 2021, le média d'enquête The Markup analyse 5,9 millions de prévisions du logiciel PredPol dans 38 services de police américains : dans au moins 84 % d'entre eux, les zones les plus visées comptent une plus forte proportion d'habitant·es noir·es ou latinos. L'entreprise conteste des données « erronées » et « incomplètes », et rappelle que son logiciel n'utilise aucune donnée démographique.

État au 1ᵉʳ novembre 2026 : depuis le 2 février 2025, le règlement européen sur l'IA interdit les systèmes qui évaluent le risque qu'une personne commette une infraction « uniquement sur la base du profilage » ou de ses traits de personnalité. L'interdiction porte sur des personnes ; elle ne mentionne pas les prévisions par lieux.

Idées reçues

« Les données ne mentent pas. » Les données de police disent où la police a cherché autant qu'où les délits ont eu lieu. Un modèle entraîné dessus peut reproduire, et amplifier, ces choix passés.

Questions à poser à une prédiction

  1. Fait-elle mieux qu'une méthode naïve ? « Comme hier », « comme la semaine dernière ».
  2. L'avenir ressemble-t-il au passé ? Un modèle ne sait que ce que ses données lui ont montré.
  3. Prédire ou expliquer ? Une corrélation suffit pour prévoir, pas pour décider d'une action.
  4. Que mesurent vraiment les données ? Des délits commis, ou des délits découverts ?
  5. La prédiction change-t-elle ce qu'elle prédit ? Une patrouille envoyée quelque part y trouve ce qu'elle cherche.

Le module Les IA qui décident pour nous prolonge ces questions avec les scores de crédit, d'allocations et de récidive.