Mon parcours scientifique

Mon parcours scientifique

Tout chercheur part d'une question. La mienne a toujours été remarquablement simple :

Comment les mathématiques peuvent-elles nous aider à comprendre des systèmes complexes assez bien pour mieux décider ?

Fondations

Avant d’avoir une question de recherche, j’avais une habitude : me méfier de tout ce qui n’est pas précis. Cette habitude ne vient pas d’une salle de classe : elle vient du travail sur des systèmes où une hypothèse fausse ne fait pas seulement mauvaise figure sur le papier, elle échoue dans le monde réel. Les mathématiques sont devenues le langage qui me permettait d’être précis à dessein. Théorie des groupes, analyse fonctionnelle, équations différentielles : non pas des matières à maîtriser, mais une discipline de pensée. Définir ses termes, énoncer ses hypothèses, suivre la logique où qu’elle mène, et ne jamais confondre une intuition avec une preuve.

Cette discipline reste le premier filtre par lequel tout le reste de cette histoire doit passer.

La rigueur ne bride pas la créativité. C'est elle qui rend une idée assez fiable pour construire dessus.


De la théorie au calcul

Un théorème est vrai en général. La réalité est un cas particulier, et les cas particuliers ont rarement une solution explicite. C’est dans cet écart que vit la modélisation mathématique, et c’est le calcul scientifique qui fait d’un modèle autre chose qu’une équation sur le papier. J’ai commencé à traduire des équations continues (propagation d’ondes, écoulements atmosphériques) en schémas discrets qu’un ordinateur peut réellement exécuter : différences finies, splitting d’opérateurs, conditions de stabilité qui décident en silence si une simulation reflète la physique ou ne fait qu’accumuler du bruit numérique.

Cela m’a appris ce que la théorie pure ne m’avait pas appris : un modèle élégant mais numériquement instable n’est pas un modèle qui fonctionne. Le calcul n’est pas séparé des mathématiques : ce sont les mathématiques obligées d’être honnêtes sur ce qu’elles savent réellement calculer.

Un schéma numérique instable est aussi faux qu'une preuve erronée. Il échoue simplement plus tard, et plus cher.


Des modèles aux données

Les systèmes simulés sont propres. Les systèmes réels ne le sont pas. Dès qu’un modèle doit se confronter à de vraies mesures, l’incertitude cesse d’être une note de bas de page et devient le problème principal : entrées bruitées, valeurs manquantes, distributions qui ne se comportent pas comme la théorie le supposait. La statistique m’a donné un moyen formel de raisonner sur cette incertitude au lieu de l’évoquer vaguement, et dès que les données ont porté sur la santé humaine plutôt que sur un système abstrait, ce même socle statistique est devenu de la biostatistique.

Les données posent un second problème, plus discret : elles doivent être fiables avant même d’être analysées. C’est ce qui m’a conduit vers la data science et le data engineering : pipelines, validation, reproductibilité. Je n’y vois pas du travail logiciel greffé sur la recherche. C’est de la méthodologie scientifique : la partie qui décide si une conclusion résiste quand quelqu’un d’autre refait l’analyse.

Un résultat qu'on ne peut pas reproduire n'est pas encore une découverte. C'est une affirmation en attente de vérification.


Des systèmes qui apprennent

L’apprentissage automatique est arrivé tard dans cette histoire, et volontairement. Je ne voulais pas d’une boîte noire qui l’emporte sur l’interprétation ; je voulais un autre cadre de modélisation, capable de trouver des structures que je n’ai pas spécifiées à la main, mais qui doit gagner la confiance de la même façon que tout autre modèle : par la validation, la transparence et la reproductibilité.

En pratique, cela veut dire combiner les approches plutôt que remplacer l’une par l’autre : le raisonnement symbolique pour ce qui peut s’énoncer précisément, l’apprentissage statistique pour ce qui ne peut que s’estimer, et assez de documentation pour que quelqu’un d’autre voie exactement comment un système est arrivé à sa réponse. Dans ce contexte, le but n’est pas l’intelligence. C’est une inférence dont on peut rendre compte.

Un modèle qui ne sait pas s'expliquer n'est pas intelligent. Il est seulement sûr de lui.


Là où les méthodes se spécialisent

Ces quatre fils (rigueur, calcul, données, apprentissage) ne comptent pour moi que dans la mesure où l’on peut leur confier quelque chose d’important. La santé et les sciences de l’environnement sont les deux spécialisations où cet enjeu est le plus fort à mes yeux : un modèle d’exposition à une contamination, ou une recommandation de triage, n’est pas un exercice académique. C’est un élément de la décision de quelqu’un, parfois sur la santé de quelqu’un. Ce n’est pas un endroit où l’on peut se permettre la négligence.

C’est précisément pour cela qu’existent les chapitres précédents : parce que l’aide à la décision en santé, en santé publique et en environnement mérite des mathématiques assez rigoureuses pour être justes, et assez transparentes pour être discutées. C’est la direction que prend ce parcours : ni l’intelligence artificielle pour elle-même, ni la modélisation pour elle-même, mais des outils scientifiques construits avec assez de soin pour qu’on puisse leur confier des conséquences réelles, quelle que soit la spécialisation que je choisirai ensuite.

La question de départ n'a pas changé. Seuls les outils dont je dispose pour y répondre ont changé.


Une chronologie intellectuelle

Pas un CV. La trace d’une question qui n’a cessé de trouver de nouveaux outils pour y répondre.

  1. Mathématiques appliquées
  2. Modélisation mathématique
  3. Calcul scientifique
  4. Statistique et biostatistique
  5. Science des données
  6. Intelligence artificielle
  7. Systèmes d'aide à la décision

Philosophie de recherche

  • Rigueur mathématique

    Tout modèle commence par des hypothèses explicites et se termine par un bilan honnête de ses limites. Si je ne sais pas dire ce qu'un résultat suppose, je ne m'y fie pas encore.

  • Reproductibilité du calcul

    Un résultat qui n'existe que sur ma machine n'est pas un résultat. Code, données et méthodes doivent être assez transparents pour que quelqu'un d'autre puisse vérifier (ou contester) ce que j'ai trouvé.

  • Pensée interdisciplinaire

    Les problèmes les plus intéressants ignorent les frontières entre disciplines. Mathématiques, calcul et expertise du domaine doivent travailler ensemble, pas les uns après les autres.

  • Impact concret

    Un modèle élégant qui ne touche jamais une vraie décision est inachevé. Je tiens à un travail qui finit par devoir résister au contact de la réalité.


Au-delà de la recherche

Rien de ce qui suit n’est une pause dans la recherche. C’est ce qui arrive quand la même question est posée à voix haute, devant d’autres personnes.

  • Enseignement

    Bien expliquer un modèle révèle souvent si je le comprends vraiment. L'enseignement est l'endroit où cela se vérifie en temps réel.

  • Open source

    Publier son code est une forme d'honnêteté intellectuelle : la méthode doit être assez complète pour que quelqu'un d'autre puisse l'exécuter.

  • Écriture scientifique

    L'écriture impose la même rigueur que les mathématiques elles-mêmes : énoncer les choses assez clairement pour qu'une erreur saute aux yeux.

  • Partage des connaissances

    Une recherche qui reste dans une seule tête ne se capitalise pas. Les discussions, les relectures et l'encadrement font partie de la façon dont les idées s'améliorent vraiment.

  • Geo's Stories

    La face moins polie du même travail (idées, échecs et détours inattendus) se trouve sur Geo's Stories.

Pour la version concrète de cette histoire (dates, publications, compétences techniques), voir le CV.


Où va ce parcours

Ce parcours n’est pas terminé. Le prochain chapitre est un doctorat, et les questions auxquelles je veux le consacrer n’ont pas changé ; seule l’échelle a changé. Je cherche des collaborations interdisciplinaires à la croisée du calcul scientifique, de l’intelligence artificielle pour la science, de l’analytique de santé, de la modélisation environnementale et des systèmes d’aide à la décision : là où des mathématiques rigoureuses doivent rencontrer une décision réelle, aux conséquences réelles.

Je n’y vois pas une ambition pour elle-même. J’y vois la taille suivante, naturelle, de la question de départ.

  • Doctorat
  • Calcul scientifique
  • IA pour la science
  • Analytique de santé
  • Modélisation environnementale
  • Aide à la décision

La science avance par la collaboration.

Si nos intérêts de recherche se croisent, j'aurai grand plaisir à échanger.