Innovation

La simulation pour l’aide à la décision peut-elle prédire l’avenir ?

1 septembre 2016

author:

La simulation pour l’aide à la décision peut-elle prédire l’avenir ?

« Le défi de la créativité n’est pas de trouver de nouvelles idées, mais d’abandonner les anciennes ».

Luc de Brabandere

Récemment, des scientifiques ont pris certaines des lois fondamentales de la physique, des données sur la formation des galaxies ainsi que des images du télescope Hubble, et ont créé une simulation de notre univers. Cette simulation leur a permis d’étudier la composition de la matière noire, et de comprendre notre univers d’une manière beaucoup plus approfondie. L’un des principaux résultats de la simulation a été la capacité de faire des prédictions basées sur des observations.
Notre simulation de l’univers est relativement récente, mais les êtres humains ont toujours pensé en modélisant. En créant un modèle ou une simulation de système, nous pouvons voir que le tout est plus grand que la somme de ses parties ; les modèles combinent la puissance du réductionnisme et du globalisme, ce qui permet aux différents composants d’un système ou d’un problème de prédire un résultat.

Les impressionnants progrès technologiques réalisés au cours de ces dernières années ont alimenté une production de technologies de simulation hautement performantes et abordables, ce qui ouvre un nouveau monde d’aide à la décision et de prévision des résultats, dans un contexte à la fois civil et militaire.

Les contributions qu’apporte la simulation pour l’aide à la décision

Les décisions peuvent souvent être complexes, avec une multitude d’options. La simulation, ou plus exactement les outils de simulation, soutiennent les processus de prise de décision. Ils nous donnent une prescience, et avec la science vient le contrôle. La connaissance dérivée de la simulation appuie nos décisions et les rend plus précises. Les outils de simulation nous permettent de prendre en compte des options et de voir une situation dans son ensemble, sans être aveuglés par les détails.

Conditions d’utilisation de la simulation pour l’aide à la décision

Comme les outils de simulation peuvent nous aider à prédire des résultats futurs, ils peuvent également nous permettre de voir des résultats alternatifs. En changeant les variables du modèle, nous pouvons voir l’impact de chacune sur l’ensemble. La simulation est utile dans un large spectre de situations. La validité de la source d’information utilisée déterminera la précision des résultats et des décisions prises à partir de la simulation résultante.

Perspectives : et si nous pouvions prédire l’avenir ?

L’humanité a toujours joué avec le futur. Nous l’avons intégré dans notre folklore ; nous l’utilisons tous les jours dans le négoce d’actions, et nous concevons notre technologie pour prédire des habitudes d’utilisation afin d’offrir de meilleures expériences aux utilisateurs. La modélisation et la simulation nous permettent de prédire l’avenir afin de prendre de meilleures décisions, ce qui nous donne encore plus de contrôle sur notre environnement. Être capable de prédire l’avenir est le but ultime. La machine temporelle n’est pas – encore – en notre possession, mais les outils de simulation s’en rapprochent.

Pourquoi utiliser la simulation et non pas autre chose ?

Le dicton « tous les chemins mènent à Rome » est adapté dans de nombreux secteurs d’activité de la prise de décision. Alors, pourquoi et quand choisir des outils de simulation ?

En examinant trois des principales technologies utilisées pour aider à prendre des décisions, nous pouvons voir comment les outils de simulation se différencient des autres technologies :

● L’informatique décisionnelle ou business intelligence : cela répond aux questions « Quand ? » et « Où ? ». Cette technologie d’analyse du Big Data fusionne des bases de données contenant des événements géoréférencés et datés. Les résultats sont donc des statistiques sur les lieux et les dates..

● L’apprentissage automatique ou machine learning : cela répond à la question « Qui ? ». Des données sont recueillies pour trouver des tendances chez les utilisateurs. Le machine learning n’émet pas de prédictions, il recherche juste des tendances chez les utilisateurs puis les utilise pour ajuster les programmes, afin d’obtenir des résultats plus précis par rapport aux besoins des utilisateurs.

● La simulation : cela répond à la question « Qu’est-ce qui se passe si ? ». Cela se traduit par des scénarios que l’on déroule à partir de données d’entrées que l’on peut faire varier afin d’en évaluer les conséquences. Les scénarios sont construits par l’opérateur. La simulation ne génère pas automatiquement de scénarios. En s’attachant à reproduire la réalité, il est ainsi possible des situations futures possibles, en somme, des prédictions. La simulation répond également à la question « Pourquoi ? » en aidant à comprendre un événement passé. Elle aide à reconstituer la chaîne des actions et à compléter les données manquantes. Elle permet ainsi de mieux comprendre ce qui s’est passé.

De quoi est faite la simulation ?

À l’instar de tous les systèmes d’information, la simulation utilise des modèles de données. Ces derniers, que l’on appelle modèles de simulation, ont leur particularité, notamment par la nature des attributs :

● Une figuration : c’est-à-dire une représentation du système – par exemple, un char peut être représenté par un modèle 3D avec ses textures ou plus sommairement par un symbole. Ce n’est pas propre à la simulation.

● Des capacités : elles décrivent les performances du système – par exemple, un char possède un type et un nombre de munitions, il se déplace également à une certaine vitesse. Cet attribut n’est pas propre à la simulation. La description des capacités des modèles de simulation sont intimement liés à leur troisième type d’attribut (comportement), donc beaucoup plus riche ou complète.

● Des comportements : Ceci est un type d’attribut propre aux modèles de simulation. Ces comportements décrivent l’action ou la réaction du modèle de simulation par rapport à des stimuli ou des interactions avec d’autres modèles. Par exemple, lorsqu’un char se déplace, sa vitesse varie selon qu’il roule sur une route ou en tout terrain.

Parmi ces attributs, le comportement est l’outil qui fournira des aperçus du futur, à condition qu’ils soient suffisamment représentatifs des objectifs donnés à la simulation. En faisant varier les capacités d’entrée, il est ainsi possible, au bout de chaque scénario correspondant de jauger des conséquences de leur variation, et donc d’extrapoler sur le futur.

Autrement dit, les outils de simulation nous permettent d’imaginer des scénarios pour observer des résultats différents. Nous pouvons changer le terrain, et voir l’incidence d’une variation de comportement sur le potentiel. Gérer les variables met en reliefs les changements dans l’ensemble du système, ce qui nous permet de comprendre comment chaque variable en impacte une autre – nous pouvons prédire l’avenir de l’évolution de ces attributs.

La simulation apporte un moyen de tester des hypothèses, le « qu’est-ce qui se passe si ? », en changeant simplement les données / critères d’entrée. La mise en œuvre des modèles et l’observation de leurs interactions fournit les informations et les arguments nécessaires pour mettre en évidence les décisions de l’opérateur, et rendre ces décisions plus précises.

Quand utiliser la simulation ?

Une simulation est toujours construite pour répondre à des objectifs précis. Elle consiste d’abord à modéliser le système à simuler. Cette modélisation est une représentation simplifiée de la réalité. La simplicité génère des résultats plus pertinents par rapport aux objectifs fixés.

Un des cas d’utilisation de la simulation est de soutenir les processus de prise de décision. Si vous n’êtes pas sûr de l’impact qu’aura une décision, la simulation va vous permettre d’observer les conséquences d’une action – si je modifie les paramètres d’entrée, une fois le scénario déroulé par la simulation, les résultats auront subi telles et telles modifications. C’est le « Qu’est ce qui se passe si ? ». Cependant, la simulation ne génère pas pour l’opérateur de nouveaux scénarii. Elle ne pense pas à sa place. Pas plus qu’elle ne va dire comment il doit agir, ou parmi les avenirs possibles quel sera celui qui se produira. C’est à l’opérateur, compte tenu de des résultats collectés de déterminer quel est l’avenir le plus probable, selon lui.

La simulation est un outil puissant pour la compréhension des systèmes complexes. En accélérant le déroulement d’un scénario, même si cela possède ses limites, elle permet d’étudier des systèmes dont le temps d’exécution serait trop chronophage. Sans ces accélérations, il serait trop coûteux de constater comment un changement impacterait le résultat.

Un exemple concret réside dans l’utilisation de la simulation dans un contexte militaire.

La situation : un escadron de chars se déplace d’une ligne de coordination à l’autre.

Les variables : les mouvements du char ne sont pas aussi simples que cela puisse paraître ; le temps de déplacement ne dépend pas uniquement de vitesse moyenne du char. Il existe des interactions entre les chars et le terrain (route, tout-terrain, etc.), les comportements tactiques doivent être pris en compte, des pannes aléatoires pourraient survenir, etc. Cela conduit à des délais non triviaux qui ne seront connus qu’à la fin du déroulement du scénario.

La puissance du modèle de simulation réside dans la capacité à rassembler plusieurs variables pour comprendre leur interaction et comment leur impact réciproque crée les événements futurs.

Ainsi, les outils de simulation apportent des indices pour la prise de décision. Une fois que l’opérateur a l’idée d’un scénario, il peut alors le faire se dérouler pour confirmer ou infirmer la cohérence de ce qu’il a prévu. Il passe de la théorie à la pratique. La simulation peut être assimilée à une « super calculatrice » destinée à évaluer les résultats dépendant des données d’entrée.

Comment puis-je faire confiance au résultat donné par la simulation ?

Comme mentionné précédemment, la simulation est utilisée par les êtres humains depuis très longtemps et nous permet, entre autres, d’aider à planifier une mission en visualisant les points de coordination. La simulation n’a donc pas toujours été informatique. Il y a la simple caisse à sable où des petits tas de terre représente des collines, des feuilles plantées par leur tige, des arbres, etc. C’est une représentation grossière de la réalité. Grâce aux progrès de la puissance et de la performance des ordinateurs, la simulation numérique a changé le paradigme en fournissant des simulations très réalistes, qui ressemblent beaucoup à la réalité.

Lorsqu’un opérateur utilise une caisse à sable, il sait implicitement que la simulation est très éloignée de la réalité. L’opérateur prend donc naturellement du recul par rapport aux résultats de sa simulation. Il intègre de façon innée les différences entre la simulation et le monde réel dans ses analyses.

À l’inverse, la simulation numérique si proche de la réalité donne l’impression d’être la réalité, ce qui est bien évidemment faux. L’opérateur sait que ce type de simulation n’est pas la réalité alors qu’il est dit implicitement que c’est la réalité. À cause de cela, il remettra en cause la simulation, les modèles de simulation, les données alors qu’il acceptera des simulations avec des modèles grossiers.

En fait, il lui manque un indice qui explicite l’écart de la simulation par rapport à la réalité. Cet indice est déjà utilisé dans certains cas, comme les prévisions météorologiques.

Création d’un indice de confiance

L’application d’un indice de confiance est indispensable pour interpréter les résultats de la simulation. Par exemple, si on reprend l’exemple de la météo, l’indice est un chiffre de 1 à 5. Il est intéressant de voir comment cela fonctionne :

a. si l’indice est faible et que la prévision est bonne, c’est considéré comme normal. Il s’est déroulé ce qui avait été prévu.

b. si l’indice est faible et que la prévision se révèle incorrecte, c’est aussi considéré comme normal puisque la confiance à attribuer à la simulation était faible. Le météorologue revendiquait le droit à l’erreur avec un indice faible.

c. si l’indice est à son maximum et que la prévision est bonne, c’est considéré comme normal. Il s’est déroulé ce qui avait été prévu.

d. si l’indice est à son maximum et que la prévision est erronée, cela devient intéressant. Il y a une contradiction. Il se passe alors un phénomène différenciant avec une simulation sans indice de confiance. L’opérateur ne met pas en cause les modèles ou données de simulation. Il conteste l’indice de confiance.

La réaction de l’opérateur est conforme finalement à l’usage et la façon dont doit être construit l’indice de confiance. Cet indice est certes construit sur la fiabilité de la simulation mais aussi sur des critères opérationnels que doit fixer l’opérateur. Tout l’art est dans la construction de cet indice…

Utilisation de la notion de conséquences

Si l’interprétation d’une simulation est basée seulement sur l’indice de confiance, cela ne suffit pas. En effet, une simulation dont l’indice de confiance est bas a-t-elle de l’intérêt ?

Prenons, par exemple, une simulation dans laquelle deux avions s’écrasent contre les Twin Towers qui s’écroulent ensuite sur elles-mêmes. Réalisée en 2000 une telle simulation serait rejetée car jugée comme fantaisiste. Et pourtant, c’est arrivé… En fait, une telle simulation aurait eu un indice de confiance très bas. Et pourtant elle aurait été intéressante. C’est pour cela qu’il faut introduire la notion de « conséquences » :

1. En cas de conséquences importantes avec un indice de confiance faible, une simulation méritera que l’on s’y intéresse. Le décideur en s’appuyant sur une telle simulation pourra lancer des recherches complémentaires pour infirmer ou confirmer un tel scénario.

2. Si l’indice de confiance est faible et si les conséquences sont minimes, alors dans ce cas, le scénario peut être négligé.

Comme l’indice de confiance, l’évaluation de l’importance des conséquences est du ressort de l’opérateur.

L’intégration des outils de simulation dans l’environnement de travail de l’opérateur

L’opérateur est l’acteur clé dans l’utilisation des outils de simulation. Sa principale préoccupation est leur maniabilité. En d’autres termes, l’opérateur devrait pouvoir faire usage des fonctions d’aide à la décision en demeurant dans son environnement de travail et en basculant d’un outil à l’autre en toute transparence. L’opérateur ne doit pas, par exemple, faire des ressaisies en changeant d’outil.

La façon d’intégrer les outils d’une simulation dépend des cas d’usage. Cela signifie que l’environnement de l’opérateur doit être correctement analysé, avec une cartographie des processus métier. Ces processus détermineront les cas d’usage possibles dans lesquels la simulation apportera une aide à la décision de type « pourquoi ? » ou « qu’est-ce qui se passe si ? ». Si l’outil de simulation est juxtaposé au système d’information, il est probable qu’il ne soit guère utilisé…

La bascule entre les outils de simulation et les systèmes d’information doit se faire de façon naturelle. Pour cela, les données doivent transiter automatiquement ou avec un moindre effort entre les outils. Cela signifie que des correspondances ont été établies entre les modèles de données du système d’information et les modèles de simulation. Il faut appareiller des modèles de structures, de capacités et de figuration différents. Un exemple pertinent et concret est l’utilisation des smartphones dans lesquels on trouve des applications de simulation. Ainsi Waze – une application communautaire de navigation en temps réel – est complètement intégrée et réutilise les données du smartphone en toute transparence pour l’utilisateur.

Conclusion

La simulation pour l’aide à la décision peut prédire l’avenir mais sous certaines conditions. L’exemple de la météo en est une parfaite illustration. Les prévisions doivent, comme pour les tendances météorologiques, utiliser un indice de confiance. Cela n’est cependant pas suffisant car certaines simulations de faible confiance méritent que l’on s’intéresse à elles compte-tenu de leurs conséquences.
Toutefois, l’utilisation de la simulation par un opérateur nécessite une étude approfondie des cas d’usage afin que son utilisation s’inscrive en toute transparence dans les processus métier. Un bon outil de simulation est un outil qui s’ignore. Au final, il importe peu à l’opérateur que la fonction qu’il met en œuvre s’appuie sur de la simulation ou sur une autre technologie de traitement des données.

2 Comments
  1. rouy

    Très pédagogique !

  2. fournigault

    Très bon article

Leave a comment

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *