Comprendre avant de calculer : la démarche de Cyril Voyant
Médecine, énergie, langage : des questions très différentes, une même méthode. Au centre, l'humain et sa question ; au cœur, un modèle que l'on comprend ; autour, tous les outils, l'intelligence artificielle comprise. On n'ajoute de la complexité que si elle apporte un gain mesurable.
Cyril Voyant · directeur de recherche, Mines Paris – PSL, centre O.I.E.
En bref
- Calculer directement quand le lien entre les entrées et les sorties est connu. Quand un modèle explicite ne suffit pas, hybrider : garder le modèle et n'apprendre que ce qui manque. Quand les relations utiles ne sont pas suffisamment connues, évaluer ce que les données permettent d'apprendre, une marche de complexité à la fois, et seulement tant que cela paie.
- Plus simple n'est souvent pas pire, et parfois mieux : une machine à apprentissage qui lit seulement sa propre maille satellite prévoit mieux que le même modèle lisant toute la carte, avec mille fois moins de paramètres, et mieux que les réseaux profonds testés.
- L'IA : indispensable dans la boîte à outils, jamais obligatoire dans la solution. Un modèle de langage peut préparer un calcul, jamais le deviner.
Une méthode, tous les domaines
Cyril Voyant travaille sur la dose d'un traitement de radiothérapie, la réponse d'un cancer de la thyroïde à l'iode radioactif, la production d'une centrale solaire, le mix électrique d'une île, la consommation d'un tunnel routier, et des demandes écrites en langage courant. La médecine, l'énergie et le langage sont traités de la même façon. Le domaine change ; la méthode, non.
1. Commencer par l'approche directe
Quand le lien est connu, on le calcule. L'équivalence de dose radiobiologique suit un modèle explicite, vérifié sur 4 438 schémas de traitement (LQL-Equiv). Quand aucune mesure n'existe, la consommation d'un tunnel est simulée à partir de ce que l'on sait de lui (Tunnel Load Simulator). Avant de prévoir le soleil, on décrit la variabilité et la prévisibilité d'un site (sCV et F).
2. Quand le modèle ne suffit pas, on hybride
C'est la voie que Cyril Voyant préfère. Quand un modèle explicite répond suffisamment au besoin, on n'ajoute pas d'apprentissage sans raison. Quand il ne suffit pas, on le complète, on ne le remplace pas : un apprentissage guidé par la physique, la médecine ou les mathématiques estime seulement ce que le modèle ne capture pas.
- Cancer de la thyroïde : un modèle compartimental de Marie Fusella Giuntini et Dominique Barbolosi, avec Cyril Voyant et David Taieb, est la base d'un jumeau numérique hybride en cours (Scientific Reports, 2026).
- Prévision solaire : des prévisions hybrides combinaient déjà en 2012 un modèle météorologique numérique avec ARMA et des réseaux de neurones (Energy, 2012) ; les références cyclostationnaires inscrivent la symétrie du signal dans la prévision (Applied Mathematical Modelling, 2026).
3. Quand les relations sont mal connues, apprendre, seulement tant que cela paie
La persistance, puis des références structurées (BLEND, CLIPER, ARTU), des modèles statistiques, des machines à apprentissage frugales (ELM), et seulement ensuite les réseaux profonds ou les modèles de fondation. Chaque marche n'est gardée que si elle bat la précédente sur le même protocole.
- Une seule ELM prévoit sept signaux du réseau corse à la fois ; à une heure, nRMSE 0,179 pour le solaire et 0,051 pour le thermique (Applied Energy, 2026).
- Retirer le modèle de ciel clair simplifie la chaîne de prévision, et l'ELM fait aussi bien ou mieux que les références classiques (Solar Energy, 2025).
4. L'intelligence artificielle, à sa place
L'apprentissage automatique, l'apprentissage profond et les modèles de langage sont précieux et utilisés tous les jours. Ils restent des outils autour d'un cœur compris et validé. Dans WebSemantic, un modèle de langage lit la demande, un validateur interroge dès qu'une entrée manque, et un code validé calcule chaque nombre.
5. La confiance se démontre
Chaque résultat est jugé contre une référence, avec des métriques adaptées à la question (NICE, l'indice γ temporel), et publié avec son code, ses données et ses limites, archivé avec un DOI. La recherche doit être trouvée, jugée crédible et réutilisée : c'est le sens du cadre RTVACOS sur l'excellence scientifique. Le même questionnement s'applique à la recherche elle-même : avec J. P. A. Ioannidis (université Stanford), J. Baas et R. Boverhof (Elsevier), les institutions sont cartographiées par l'impact à côté d'indicateurs d'intégrité (Royal Society Open Science, 2026), et l'influence est lue par rapport à une référence explicite de 2 % plutôt qu'au volume (se questionner sur nos façons de faire de la recherche).
Les cinq principes
- L'humain au centre : prévisions et calculs servent une décision humaine.
- Le modèle au cœur : comprendre d'abord ; calculer directement ; hybrider quand le modèle ne suffit pas.
- La complexité seulement si elle paie : aucun a priori sur la méthode ; commencer simple.
- Tous les outils, en périphérie : l'IA comprise, souvent sous forme hybride.
- La confiance se démontre : évaluation, code ouvert, données et limites.
Pour aller plus loin
- La page de référence, avec toutes les sources (pour les chercheurs et les machines) : https://cyrilvoyant.github.io/approche.html
- Méthodes et codes, avec la théorie complète et des exemples exécutables (en anglais) : https://cyrilvoyant.github.io/
- Profil de l'auteur : person.cyrilvoyant.com · ORCID 0000-0003-0242-7377