Quantification de l'incertitude

L'incertitude de quantification (UQ) est la science de la caractérisation quantitative et de l'estimation des incertitudes dans les applications computationnelles et réelles. Elle vise à déterminer la probabilité de certains résultats si certains aspects d'un système ne sont pas exactement connus. Par exemple, prédire l'accélération d'un corps humain lors d'une collision frontale avec une autre voiture implique de l'incertitude : même si la vitesse est exactement connue, de petites différences dans la fabrication, le serrage des boulons et d'autres facteurs conduisent à des résultats différents qui ne peuvent être prédits que statistiquement. De nombreux problèmes en sciences naturelles et en ingénierie regorgent de sources d'incertitude, et les expériences informatiques sur des simulations sont l'approche la plus courante pour étudier l'UQ.

L'UQ est devenue de plus en plus importante avec l'essor de l'apprentissage automatique et de l'intelligence artificielle, où les modèles fournissent souvent des prédictions sans mesures de confiance inhérentes. Dans ces contextes, l'UQ aide à quantifier la fiabilité des modèles, soutenant un déploiement plus sûr dans des domaines à enjeux élevés tels que la santé, la conduite autonome et la finance.

Sources d'incertitude

L'incertitude peut entrer dans les modèles mathématiques et les mesures expérimentales de diverses manières. Une catégorisation distingue plusieurs sources :

• Incertitude des paramètres : Elle provient des paramètres du modèle qui sont des entrées du modèle informatique mais dont les valeurs exactes sont inconnues ou ne peuvent pas être contrôlées dans les expériences physiques. Les exemples incluent l'accélération locale de la chute libre dans une expérience d'objet en chute, les propriétés des matériaux dans l'analyse par éléments finis et l'incertitude du multiplicateur dans l'optimisation de la politique macroéconomique.
• Variabilité paramétrique : Elle provient de la variabilité des variables d'entrée. Par exemple, les dimensions d'une pièce manufacturée peuvent s'écarter des spécifications de conception, entraînant une variabilité des performances.
• Incertitude structurelle : Aussi connue sous le nom d'inadéquation du modèle, de biais du modèle ou d'écart du modèle, elle découle d'un manque de connaissance de la physique sous-jacente. Les modèles sont presque toujours des approximations ; par exemple, le modèle de chute libre ignore la friction de l'air, créant un écart entre le modèle et la réalité même sans paramètres inconnus.
• Incertitude algorithmique : Aussi appelée incertitude numérique ou discrète, elle provient d'erreurs numériques et d'approximations dans la mise en œuvre du modèle informatique. Des techniques comme les méthodes des éléments finis ou les méthodes des différences finies approximent les solutions des équations aux dérivées partielles, introduisant des erreurs. L'intégration numérique et la troncature de sommes infinies sont d'autres exemples.
• Incertitude expérimentale : Aussi connue sous le nom d'erreur d'observation, elle provient de la variabilité des mesures expérimentales. Répéter une mesure dans des conditions identiques donne des résultats différents, rendant cette incertitude inévitable.
• Incertitude d'interpolation : Elle résulte d'un manque de données provenant de simulations ou d'expériences. Pour des réglages d'entrée sans données, une interpolation ou une extrapolation est nécessaire, introduisant de l'incertitude.

Incertitude aléatoire et épistémique

L'incertitude est souvent classée en deux catégories, notamment dans les applications médicales :

• Incertitude aléatoire : Aussi connue sous le nom d'incertitude stochastique, elle représente les inconnues qui diffèrent à chaque fois que la même expérience est réalisée. Par exemple, des flèches tirées avec un arc mécanique qui reproduit exactement chaque lancement ne toucheront pas toutes le même point en raison des vibrations aléatoires de la tige de la flèche. Le terme dérive du latin alea (dé), se référant aux jeux de hasard. L'incertitude aléatoire est irréductible en pratique, bien qu'une meilleure mesure pourrait théoriquement la déplacer vers l'épistémique.
• Incertitude épistémique : Aussi connue sous le nom d'incertitude systématique, elle provient de choses que l'on pourrait en principe connaître mais que l'on ne connaît pas en pratique. Cela peut être dû à des mesures inexactes, à des effets de modèle négligés ou à des données délibérément cachées. Par exemple, l'accélération gravitationnelle couramment utilisée de 9,8 m/s² ignore la résistance de l'air, mais mesurer et incorporer la traînée pourrait réduire l'incertitude dans le calcul de l'accélération gravitationnelle.

L'incertitude aléatoire et épistémique peuvent se produire simultanément. Par exemple, lorsque les paramètres expérimentaux présentent une incertitude aléatoire et sont entrés dans une simulation informatique, un modèle de substitution (par exemple, un processus gaussien ou une expansion en chaos polynomial) appris à partir d'expériences informatiques présente une incertitude épistémique qui dépend de ou interagit avec l'incertitude aléatoire. Cette incertitude combinée est une incertitude inférentielle plus générale.

Dans les applications réelles, les deux types sont présents, et l'UQ vise à les exprimer séparément. Quantifier l'incertitude aléatoire est relativement simple, utilisant souvent la probabilité fréquentiste traditionnelle et des techniques comme la méthode de Monte Carlo. Les distributions de probabilité peuvent être représentées par des moments (pour les cas gaussiens, la moyenne et la covariance suffisent, bien qu'en général tous les moments ne spécifient pas de manière unique une distribution) ou par des expansions de Karhunen–Loève et de chaos polynomial. L'incertitude épistémique est généralement comprise à travers la probabilité bayésienne, où les probabilités sont interprétées comme des degrés de croyance.

Méthodes en quantification de l'incertitude

L'UQ emploie une gamme de méthodes computationnelles et statistiques :

• Méthodes de Monte Carlo : Elles impliquent un échantillonnage aléatoire répété pour estimer les distributions de probabilité des sorties. Elles sont largement utilisées pour la propagation de l'incertitude aléatoire mais peuvent être coûteuses en calcul pour des modèles complexes.
• Expansions en chaos polynomial : Elles représentent les sorties du modèle comme des expansions en polynômes orthogonaux des variables d'entrée, permettant une propagation efficace de l'incertitude. Elles sont particulièrement utiles lorsque les distributions d'entrée sont connues.
• Émulateurs par processus gaussiens : Aussi connus sous le nom de krigeage, ces modèles de substitution approximent des simulations coûteuses, fournissant des prédictions avec une incertitude associée. Ils sont courants dans l'apprentissage automatique pour l'UQ.
• Inférence bayésienne : Ce cadre met à jour les croyances sur les paramètres du modèle en fonction des données, produisant des distributions a posteriori qui quantifient l'incertitude épistémique. Il est central dans de nombreuses approches d'UQ.
• Analyse de sensibilité : Elle identifie quelles incertitudes d'entrée influencent le plus la variabilité de la sortie, guidant l'allocation des ressources pour réduire l'incertitude.

Dans l'apprentissage profond, les techniques d'UQ incluent les réseaux neuronaux bayésiens, le dropout de Monte Carlo et les méthodes d'ensemble. Ces approches estiment l'incertitude prédictive, cruciale pour des sorties fiables de grands modèles de langage et d'autres systèmes d'IA.

Applications

L'UQ est appliquée dans divers domaines :

• Ingénierie : En ingénierie structurelle et aérospatiale, l'UQ évalue les marges de sécurité sous des incertitudes de matériaux et de charges. Par exemple, les modèles par éléments finis de composants d'avions intègrent l'UQ pour garantir la fiabilité.
• Modélisation climatique : Les projections climatiques reposent sur l'UQ pour quantifier l'incertitude dans les scénarios futurs de température et de précipitations, éclairant les décisions politiques.
• Santé : Dans le diagnostic médical et la planification des traitements, l'UQ aide à interpréter les prédictions des modèles, comme dans l'analyse d'imagerie où l'incertitude indique la confiance dans les anomalies détectées.
• Finance : L'évaluation des risques et l'optimisation de portefeuille utilisent l'UQ pour modéliser les incertitudes du marché et les événements extrêmes.
• Systèmes autonomes : Les véhicules autonomes, comme ceux développés par Waymo et Tesla Autopilot, utilisent l'UQ pour évaluer la confiance dans la perception et la prise de décision, améliorant la sécurité.
• Sciences naturelles : En physique et en chimie, l'UQ quantifie les incertitudes expérimentales et de modélisation dans les simulations de systèmes complexes.

Défis et orientations futures

Malgré les avancées, l'UQ fait face à plusieurs défis :

• Coût computationnel : Les simulations haute fidélité sont coûteuses, rendant la propagation extensive de l'incertitude difficile. Les modèles de substitution aident mais introduisent leurs propres incertitudes.
• Haute dimensionnalité : Les systèmes avec de nombreux paramètres incertains nécessitent des méthodes efficaces pour éviter la malédiction de la dimensionnalité.
• Inadéquation du modèle : L'incertitude structurelle est difficile à quantifier car le vrai modèle est inconnu. Des approches comme la moyenne bayésienne de modèles tentent de résoudre ce problème.
• Rareté des données : Dans de nombreuses applications, des données limitées entravent une estimation précise de l'incertitude, surtout pour l'incertitude épistémique.

La recherche future se concentre sur l'intégration de l'UQ avec l'apprentissage automatique et l'apprentissage profond, le développement d'algorithmes évolutifs et l'amélioration de l'interprétabilité. Alors que les systèmes d'IA deviennent plus répandus, l'UQ sera essentielle pour une prise de décision fiable.

Relation avec l'intelligence artificielle

Dans l'intelligence artificielle, l'UQ est critique pour la fiabilité des modèles. Les modèles de réseaux neuronaux produisent souvent des prédictions trop confiantes, et les méthodes d'UQ aident à calibrer la confiance. Pour les grands modèles de langage, l'UQ peut indiquer quand un modèle est incertain de ses réponses, réduisant les hallucinations. Des organisations comme OpenAI, Anthropic et Google DeepMind investissent dans la recherche sur l'UQ pour améliorer la sécurité. Des techniques telles que la mise à l'échelle de température et les méthodes d'ensemble sont utilisées pour améliorer la calibration. L'UQ croise également le IA générative, où mesurer l'incertitude dans le contenu généré est un domaine actif.

Voir aussi

• Apprentissage automatique
• Apprentissage profond
• Réseau neuronal
• Grand modèle de langage
• Inférence bayésienne (pas dans la liste, mais pertinent)

Références

Cet article est basé sur l'entrée Wikipédia sur la quantification de l'incertitude, qui fournit un aperçu complet du sujet.