4. PRÉDICTION

Introduction 

Le projet PREDICTION se situe en aval des projets EAU, SOL/AIR et DATA et exploite donc les données récupérées par les différents capteurs de terrains. Il vise à produire des outils d’IA permettant de faire de la prédiction pour les objets environnementaux et en particulier pour la prédiction de la quantité et la qualité des eaux dans les nappes et la surveillance de la qualité de l’air. Ces outils d’IA seront comparés aux méthodes traditionnelles physiques et mécanistiques pour montrer les avantages et limites de chacun, notamment dans le cadre d’une mise en place (complexité), du suivi sur de longues périodes de temps (adaptations et mises à jour), de leur performance et de leur capacité à fournir des explications sur les phénomènes prédits. Ces nouveaux modèles et outils seront à leur tour des sources d’informations pour les jumeaux numériques (lien avec le projet JUMEAUX NUMERIQUES).  

Axes principaux 

Le projet PREDICTION aborde les problématiques précédentes en structurant ces travaux autour de plusieurs axes dont les résultats seront complémentaires : 

• Benchmarking  : cet axe vise à produire un état de l’art des modèles prédictifs sur les objets environnementaux du programme JUNON. Un protocole d’évaluation rigoureux sera mis en place à partir des données déjà disponibles issues dans les projets EAU et SOL/AIR. Ce protocole vise à évaluer différents critères (performances à différentes échelles de temps, confiance dans les prédictions, capacité de généralisation et de réutilisation des modèles, capacité d’évolution des modèles…). Un guide des approches prédictives sera également établi pour aider à choisir les bonnes approches en fonction du contexte et des objectifs. 
• Modèles hybrides : cet axe vise à concevoir des modèles prédictifs qui tire parti des avantages des modèles issus soit de la physique et de la mécanique, soit de l’IA et de l’apprentissage automatique. Dans ce contexte, les modèles d’IA peuvent aider par exemple à paramétrer plus facilement les modèles physiques. Les modèles d’IA peuvent aussi s’hybrider avec les modèles physiques ou exploiter les connaissances expertes. Enfin, des méthodes d’IA peuvent aider à choisir automatiquement le meilleur modèle et ses paramètres dans une situation donnée. 
• Modèles d’IA évolutifs : cet axe vise à définir des modèles par apprentissage profond plus performants notamment pour la prédiction à long terme. Ils s’appuieront sur l’usage de plusieurs sources de données et on étudiera aussi les moyens de rendre ces modèles adaptatifs et réutilisables sur de nouvelles sources de données de même nature. 
• Modèles d’IA explicables : outre la prédiction d’une ou plusieurs variables, il est important que les modèles produits puissent retourner de l’information utile aux personnes qui exploiteront les jumeaux. Ces informations peuvent caractériser la nature de la prédiction (confiance, impacts sur l’usage), les éléments qui ont permis d’établir cette prédiction (variables d’importances, phénomènes spatio-temporels observés majoritairement à l’origine de la prédiction, similarité avec une situation déjà rencontrée…), ainsi que fournir des indications en fonction de scénarios d’évolution dans le futur (scénario climatique, changements d’usages…)