Pourquoi utiliser l’Intelligence Artificielle pour prévoir les crues ? Est-ce par effet de mode ? La réponse se trouve dans les travaux fondamentaux d’Anne Johannet, chercheuse à l’origine de la technologie HydrIA.
Dans son mémoire d’Habilitation à Diriger des Recherches, elle détaille pourquoi l’apprentissage statistique est parfois la seule méthode viable pour modéliser la nature.
Le mythe de la description physique exhaustive
Modéliser un système naturel dans toute sa complexité, comme un bassin versant en montagne, se heurte à des limites pratiques. Pour utiliser une approche purement physique, il faudrait connaître l’exacte épaisseur de chaque roche, son pendage, sa perméabilité et sa porosité en tout point. Comme le souligne Anne Johannet, « il est utopique de vouloir décrire complètement et exhaustivement toutes les situations« .
L’approche algorithmique classique montre ici ses limites car le savoir n’est pas toujours disponible sous une forme explicite.
L'apprentissage par l'erreur
L’apprentissage statistique (Machine Learning) propose un changement de paradigme. Au lieu de fournir au modèle toutes les règles physiques a priori, on lui demande de minimiser une erreur.
C’est le principe de la boucle de rétroaction : de la même manière qu’on ouvre les yeux pour corriger sa trajectoire en marchant, l’algorithme ajuste ses paramètres internes (l’équivalent des synapses de ses « neurones ») pour coller à la réalité observée.
Cette capacité d’adaptation permet aux réseaux de neurones d’atteindre ce qu’on appelle « l’identification universelle » : la capacité mathématique de s’ajuster à n’importe quelle fonction non-linéaire complexe.
Le défi de la "Boîte Noire" et l'innovation Hydr.IA
Cependant, cette puissance a un prix. Les réseaux de neurones sont souvent critiqués pour être des « boîtes noires », performantes mais inexpliquées. De plus, s’ils sont mal calibrés, ils risquent le « surajustement » (apprendre le bruit au lieu du signal), ce qui est critique lors de crues éclairs extrêmes, par définition rares.
C’est ici qu’intervient l’expertise unique d’Hydr.IA. Nous ne nous contentons pas de prévisions aveugles. Nous développons des « boîtes transparentes« .
En appliquant des contraintes physiques spécifiques à l’architecture de nos réseaux de neurones, nous forçons le modèle à respecter le comportement physique sous-jacent aux données. Cela nous permet de :
- Garantir la robustesse des prévisions sur des événements inconnus (généralisation).
- Extraire de la connaissance : Par exemple, sur le bassin karstique du Lez (qui alimente Montpellier en eau potable, cette méthode a permis de révéler les propriétés hydrodynamiques cachées du sous-sol et d’estimer les réserves en eau.
Chez Hydr.IA, l’IA n’est pas une fin en soi. C’est le moyen le plus rigoureux de décrypter un environnement naturel complexe pour mieux le protéger.