7.2 Impact en aval

🖥️ Diapositives du cours — Séance 27 (ven. 4 déc.)

Chaque projet final comporte une déclaration d’impact en aval d’une demi-page. Cette page définit l’enquête, montre deux exemples traités et donne le format et la grille de notation.

Il ne s’agit pas de plaider que votre projet compte. Il s’agit de retracer honnêtement la chaîne qui va de votre résultat au monde : qui agirait, sur quelle décision, avec quelles conséquences quand — et non pas si — le modèle se trompe. Un projet à l’impact modeste mais à la chaîne précisément retracée est mieux noté ici qu’une grande promesse sans chaîne du tout.

Les cinq questions¶

Répondez aux cinq. Des noms précis valent mieux que des catégories : « le prévisionniste du service de prévision des crues (SPC) » vaut mieux que « les parties prenantes », et « le sismologue d’astreinte du BCSF-RENASS qui rédige le communiqué sur les répliques » vaut mieux que « la communauté ».

1. Qui pourrait agir sur ce résultat ? Des fonctions ou des institutions réelles, et la forme sous laquelle elles auraient besoin du résultat (une API ? une carte ? le franchissement d’un seuil ?).
2. Quelle décision cela changerait-il ? Une décision qui serait prise différemment avec votre résultat que sans lui. Si aucune décision ne change, vous avez une contribution à la connaissance — parfaitement légitime, mais dites-le plutôt que d’inventer des utilisateurs.
3. Que se passe-t-il si le résultat est faux — et qui en paie le prix ? Les erreurs de modèle ont un sens : les fausses alarmes et les manqués retombent sur des gens différents. Nommez les deux directions de défaillance et qui paie pour chacune. Signalez le cas où ceux qui portent le coût ne sont pas ceux qui ont choisi de déployer le modèle.
4. Quelle est l’empreinte environnementale et computationnelle ? Le calcul d’entraînement et d’inférence, le stockage et les transferts de données, et la question de savoir si cette empreinte est justifiée par le gain sur la référence (baseline) bon marché (discipline du chapitre 3 : vous connaissez le chiffre de la référence). Un modèle réentraîné chaque nuit sur une grappe de GPU pour battre la persistance de 2 % mérite cette phrase.
5. De quoi un déploiement responsable aurait-il besoin que ce projet n’a pas encore ? La liste des manques : évaluation sur des données hors distribution, incertitudes calibrées, un protocole avec humain dans la boucle, une surveillance de la dérive, une politique de réentraînement. C’est le fait de nommer les manques qui rend crédible tout le reste de la déclaration.

Exemple traité n° 1 : un modèle de prévision des crues¶

Le projet : un LSTM prévoyant la hauteur d’eau à 24 h d’échéance sur deux bassins jaugés des Cévennes, qui bat la persistance de 30 % en RMSE lors des épisodes méditerranéens d’automne.

Qui pourrait agir : le chef du service interministériel de défense et de protection civiles (SIDPC) en préfecture (fermetures de routes, mises en garde à la population) et le service d’assainissement pluvial de l’agglomération (abaissement préventif des bassins de rétention), tous deux consommant une prévision de hauteur d’eau assortie d’une bande d’incertitude, deux fois par jour. Quelle décision change : l’abaissement préventif se déclenche aujourd’hui sur une vigilance orange « pluie-inondation » de Météo-France, qui sur-déclenche ; une prévision de hauteur à 24 h bien calibrée pourrait réduire de moitié environ les abaissements inutiles. Ce qui peut mal tourner : un manqué (hauteur prévue sous le seuil de débordement ; la rivière déborde) signifie des routes inondées sans avertissement — le coût retombe sur les usagers de la route et sur la crédibilité du service, que les alertes futures dépenseront. Une fausse alarme gaspille de l’eau stockée et, répétée, érode la confiance jusqu’à ce que les avertissements soient ignorés. Les deux bassins sont jaugés et proches de l’entraînement ; le modèle n’a jamais vu de bassin non jaugé, ni d’épisode méditerranéen au-delà de la plage d’entraînement, ni le règlement de lâchers révisé du barrage à l’amont — et les riverains qui comptent sur l’alerte n’ont pas choisi le modèle. Empreinte : entraînement ~2 heures de GPU par bassin et par saison ; inférence négligeable ; l’empreinte est dominée par l’archive de forçage ERA5 (~200 Go). Justifiée au regard du gain de 30 % ; elle ne le serait pas pour le gain de 4 % observé sur les étiages d’été. Un déploiement responsable exigerait : des intervalles de prévision calibrés (les intervalles actuels ont une couverture empirique de 55 % pour un nominal de 90 %), un repli sur la persistance quand les entrées ne sont plus à jour, deux automnes supplémentaires de vérification hors échantillon, et un accord sur qui relit la prévision avant qu’elle ne déclenche quoi que ce soit.

Exemple traité n° 2 : un modèle de prévision des répliques¶

Le projet : un modèle neuronal prévoyant la distribution spatiale des répliques dans la semaine qui suit un séisme principal de M ≥ 6, évalué par le gain de log-vraisemblance sur une référence ETAS (décroissance d’Omori spatialement uniforme).

Qui pourrait agir : le sismologue d’astreinte du réseau national qui rédige le communiqué public sur les répliques ; un gestionnaire de réseau électrique qui décide de l’ordre d’inspection de ses postes. Quelle décision change : l’ordre des inspections — inspecter d’abord les 20 postes de plus forte probabilité prévue plutôt que par ordre de distance. Le communiqué public, lui, ne devrait pas changer sur cette base : le gain du modèle sur ETAS est modeste et n’a pas été testé sur la géométrie des failles de la région. Ce qui peut mal tourner : les directions de défaillance sont asymétriques en visibilité. Surestimer une zone calme coûte des heures d’inspection. Sous-estimer la zone où survient ensuite une réplique dommageable coûte un poste non réinspecté et, si la carte était publique, la crédibilité de la discipline — les prévisions de répliques sont l’un des rares produits sismologiques que le public consomme réellement. Le coût du manqué retombe sur des gens qui n’ont jamais vu la fiche de modèle. Empreinte : faible — l’entraînement se compte en heures sur un seul GPU ; la comparaison honnête, c’est qu’ETAS est quasi gratuit, interprétable et validé depuis trente ans, si bien que la charge de la preuve est de notre côté, pas du sien. Un déploiement responsable exigerait : des tests prospectifs dans un cadre de type CSEP contre ETAS sur plusieurs séquences, la calibration des cartes de probabilité, et un protocole disant ce que fait le sismologue d’astreinte lorsque le modèle et ETAS sont en désaccord. D’ici là, il s’agit d’une comparaison de recherche, et notre déclaration le dit.

L’anti-modèle¶

« Ces travaux pourraient contribuer à sauver des vies et à protéger les infrastructures des catastrophes naturelles, participant ainsi à une société plus sûre et plus résiliente. »

Tous les projets de la salle savent produire cette phrase ; un modèle de langage la produira sans qu’on lui demande. Elle ne nomme aucun acteur, aucune décision, aucun coût de défaillance, aucun manque — elle est infalsifiable, et elle se lit pour ce qu’elle est : un substitut au fait d’avoir réfléchi à la question. Comparez avec la chaîne précise : résultat → décision d’abaissement du service d’assainissement pluvial → coût du sur-déclenchement contre coût du manqué → quelle calibration manque. Remarquez que la chaîne précise est aussi plus modeste — ce n’est pas un hasard. La formule toute faite enfle précisément parce qu’elle ne coûte rien.

Format et grille de notation¶

Format : une demi-page (250 à 400 mots) dans le rapport final, sous le titre « Impact en aval », répondant aux cinq questions dans l’ordre — une à trois phrases chacune. Rédigez-la vous-même ; la rédaction assistée par IA est permise avec déclaration, mais chaque acteur nommé et chaque coût doivent survivre à la question « comment le savez-vous ? » lors de la présentation orale.