L’apprentissage actif pour anticiper les catastrophes extrêmes

Le coût des catastrophes naturelles en France a atteint près de 10 milliards d’euros en 2022, a annoncé fin janvier dernier France Assureurs. Un record depuis 1999, avec « l’intensification des phénomènes » climatiques extrêmes.

Au niveau mondial, l’ONG britannique Christian Aid avait publié au même moment un rapport dans lequel elle estimait que les dix plus grosses catastrophes naturelles en 2022 avaient coûté plus de 158 milliards d’euros.

Pour limiter les impacts de ces événements extrêmes (tremblements de terre très intenses, pandémies, vagues scélérates…), des scientifiques tentent d’anticiper leur création et leur réaction. Plus facile à dire qu’à faire ! Ces phénomènes extrêmes sont, par définition, rares même si France Assureurs note une « augmentation de leur fréquence ».

Algorithmes statistiques

Statistiquement parlant, il n’y a pas assez de données sur eux pour utiliser des modèles prédictifs permettant de prévoir avec précision le moment où ils se produiront. Mais un groupe de scientifiques de l’université Brown et du Massachusetts Institute of Technology a peut-être trouvé une méthode efficace.

Dans une étude publiée fin 2022 dans Nature Computational Science, les chercheurs expliquent comment ils ont utilisé des algorithmes statistiques qui nécessitent moins de données pour des prédictions précises, en combinaison avec une puissante technique d’apprentissage automatique développée à l’université Brown.

Cette combinaison leur a permis de prédire des scénarii, des probabilités et même des chronologies d’événements rares malgré le manque de données historiques. Pour schématiser, ils ont contourné la problématique de l’absence d’un volume important de données pour se focaliser sur la qualité plutôt sur la quantité d’informations.

Ils se sont donc posé la question suivante : « Quelles sont les meilleures données possibles que nous pouvons utiliser pour minimiser le nombre de points de données dont nous avons besoin ? »

Anticiper les vagues scélérates

Les chercheurs ont trouvé la réponse dans une technique d’échantillonnage séquentiel appelée apprentissage actif (ou Active learning). Ces types d’algorithmes statistiques sont non seulement capables d’analyser les données qui leur sont fournies, mais surtout, ils peuvent tirer des enseignements de ces informations pour identifier de nouveaux points de données pertinents qui sont tout aussi importants.

Depuis plusieurs années, l’apprentissage actif est utilisé dans le traitement du langage naturel, où des données non étiquetées peuvent être abondantes, mais l’annotation est lente et coûteuse.

Les scientifiques de l’université Brown et du MIT ont donc utilisé cette technique d’Active learning pour alimenter leur modèle d’apprentissage automatique et rechercher de manière proactive les indices qui signifient les événements rares.

Présenté dès 2019 par ces chercheurs de Brown, DeepOnet (deep operator networks) est un type de réseau neuronal artificiel qui utilise des nœuds interconnectés en couches successives imitant grossièrement les connexions établies par les neurones du cerveau humain.

Selon cette équipe, DeepOnet peut être entraîné à rechercher les paramètres ou les précurseurs qui conduisent à l’événement désastreux analysé, même si les points de données sont peu nombreux.

Par exemple, en ce qui concerne les vagues scélérates, les chercheurs ont découvert qu’ils pouvaient déterminer et quantifier le moment où elles se formeront en examinant les conditions probables des vagues qui interagissent de manière non linéaire au fil du temps, ce qui conduit à des vagues parfois trois fois plus grandes que leur taille initiale.

L’équipe travaille actuellement avec des spécialistes de l’environnement afin d’utiliser leur méthode pour prévoir les événements climatiques, tels que les ouragans.