Les modèles : mais qu’y a t’il sous le capot ?

Les modèles ont assurément la cote de nos jours. Pour cause, ce sont de très belles machines scientifiques, façonnées pour comprendre le monde et prédire son évolution. Elles sont tellement puissantes, ces machines, qu’on les utilise partout et tout le temps : pour prédire la météo, pour prédire le climat futur, pour comprendre l’économie et la finance mondiales, pour dimensionner les réseaux électriques, pour mesurer l’impact de l’utilisation des sols sur l’évolution des paysages, pour caractériser la dynamique des populations… En toute circonstance, dès qu’un problème scientifique ou technique émerge, un ou plusieurs modèles sont bâtis afin de guider la réflexion et, in fine, résoudre ce problème. Ensuite, c’est sur la base des résultats fournis par ces modèles que l’on forge des stratégies de gestion ou d’adaptation, et qu’on prend des décisions parfois lourdes de conséquences et lourdes en investissements.

Dans la grande majorité des cas, un citoyen lambda entendra parler de la mise en place de nouvelles orientations politiques, de nouvelles lois, de nouvelles réglementations, de nouvelles normes, bref, de nouvelles décisions, mais il n’aura pas l’occasion de savoir exactement sur quoi elles reposent, c’est-à-dire comment les choses ont été modélisées pour obtenir la meilleure vision possible d’une problématique. Evidemment, les raisons qui mènent à cette situation largement répandue sont multiples et parfaitement compréhensibles. Un individu peut à la fois manquer d’expertise pour comprendre les modèles, être confronté à la difficulté d’accès aux détails des méthodes et des calculs, ne pas s’intéresser au sujet, faire aveuglement confiance aux experts ou encore, avant toute chose, ne pas trouver le temps de le faire tant la tâche est fastidieuse.

Ainsi, nous ne pouvons pas faire autrement que de nous en remettre entièrement à ce que nous disent les modèles et leurs pilotes, les modélisateurs. Il en résulte selon moi une sacralisation du modèle, si bien qu’une fois sorti du champ expert où il peut être débattu, plus personne n’y trouve quoi que ce soit à redire.

Mais que se passerait-il si nous soulevions le capot de ces formidables machines prédictives ? Qu’y a t’il dans les entrailles d’un modèle ? Comment les modèles sont-ils construits ? Sur la base de quoi ? Comment fonctionnent-ils ? Comment savoir s’ils nous éclairent correctement, si leur pouvoir prédictif est avéré ? Peut-on raisonnablement remettre en question un modèle déjà éprouvé ?

Je ne suis pas sûr que beaucoup de personnes se posent ces questions, et il faudrait un livre de quelques centaines de pages pour en faire le tour. Néanmoins, elles sont fondamentales à plus d’un titre. D’abord parce qu’il convient de démystifier le pouvoir des modèles, qui souffrent de certaines tares (sans que cela ne les dépouillent de leur intérêt). Ensuite parce que les modèles se sont insinués dans presque tous les domaines des sciences dures, et ils sont donc déterminants dans le mode production des connaissances scientifiques et techniques. Par conséquent, il faut s’intéresser aux modèles presque à chaque fois que l’on s’intéresse à la façon dont les scientifiques travaillent ou à l’origine de leurs résultats.

Maintenant, il faudrait peut-être se mettre d’accord sur ce qu’est un modèle en sciences. Il existe une ribambelle de définitions; je vais donc en donner une simple et une autre, un peu plus élaborée. Commençons par cette dernière : un modèle est une synthèse architecturée des connaissances sur un système dont on cherche à caractériser le fonctionnement ou à prédire l’évolution. Plus simplement donc, un modèle est une représentation conceptuelle et/ou mathématique simplifiée d’un système réel. Un modèle réagit à des forçages (entrées) pour produire des effets mesurables (sorties) à travers son fonctionnement interne et son interaction avec les « frontières » du système.

Ainsi, s’intéresser à ce qu’il y a « sous le capot des modèles », c’est regarder comment est représenté le fonctionnement interne du système étudié, et c’est scruter l’ensemble de la chaîne forçage-simulation-résultat. Et comme pour un moteur de voiture avec toutes ses soupapes, ses tuyaux, ses boulons, ses fils, ses pompes, ses engrenages, il y a beaucoup de choses à contempler sous le capot d’un modèle. Pareillement, vous pouvez être une bonne conductrie ou un bon conduteur de voiture, cela ne veut pas dire que vous connaissiez parfaitement la composition de votre moteur et son fonctionnement. Il vous suffit de mettre du carburant et de l’air (entrées), d’appuyer plus ou moins fort sur telle ou telle pédale, pour adapter la vitesse à votre convenance (sortie ou effet). La conception et la dynamique interne de votre véhicule peut vous échapper totalement, ça ne vous empêchera pas d’avoir un résultat : avancer vers votre destination. A moins d’en être le concepteur ou le spécialiste (mécanicien), vous avez de grandes chances de vous retrouver dans l’incapacité de modifier le comportement de votre véhicule lorsque vous appuyez sur la pédale d’accélération.

Il en va de même pour les modèles, à une différence importante près : ils ne sont que le reflet plus ou moins vague d’un système réel, alors que la voiture est bien là. Cela veut dire que les sorties de modèle, en toute vraisemblance, ne sont qu’un reflet approximatif des effets possibles sur un système soumis à des contraintes externes, elles-mêmes issues de l’imaginaire (scénarios) ou d’observations (mesures) qui trimbalent leur lot d’incertitude et ne représentent donc pas exactement les forçages en jeu. Les modélisateurs doivent donc a minima s’assurer de la qualité ou vraisemblance des forçages de leurs modèles, de la robustesse des rouages internes, de la pertinence des conditions aux limites et de l’état initial, ainsi que de la cohérence des sorties (je passe sur tout un tas d’autres choses qu’il faut avoir à l’esprit quand on modélise, mais qui devient un peu spécifique aux classes de modèles en question). Tout cela doit être fait, notamment pour asseoir la capacité prédictive des modèles, mais surtout pour comprendre les processus et mécanismes en jeu dans un système naturel.

Lorsqu’un modèle produit des sorties en accord avec des observations (données), est-ce suffisant pour dire qu’il est robuste ? La réponse dépend de ce qu’on veut faire de ce modèle. Si c’est pour faire de la prédiction pure et dure, dans des conditions relativement stationnaires, cela peut suffire en effet (bien que pas toujours…). Mais lorsqu’on souhaite explorer les processus à l’oeuvre dans la production des effets observés, cela est en général insuffisant, car un modèle doit avant tout reproduire les observations pour les bonnes raisons.

Normalement, les experts travaillant avec des modèles sont censés savoir tout cela afin d’adopter une démarche rigoureuse et critique pour interroger la robustesse de leurs simulateurs et de leurs prédictions. S’ils ne le font pas, personne ne le fera à leur place…mais les conséquences de certains raccourcis, ou d’une précipitation dans la construction d’un modèle peut mener à des interprétations erronées, des prédictions caduques, ou des incertitudes trop grandes.

Les modèles sont des outils incontournables dans le mode de production des connaissances scientifiques. Il faut cependant ne pas hésiter à « soulever le capot » de temps à autre, et interroger les modélisateurs (ou vous interroger vous-même si vous en êtes un.e), car les résultats devraient toujours être accompagnés par une estimation de l’incertitude, les hypothèses de travail, les concepts (équations) et conditions aux limites utilisées et les procédés de calibration / vérification employés. Malheureusement, on parle toujours des résultats, jamais du reste.

Pourtant, avons-nous envie de regarder un film sans le son ?

%d blogueurs aiment cette page :