De l'autre côté de la machine

Rappelons qu'un algorithme, ou un modèle mathématique, contient des équations, des constantes, des variables ainsi que des conditions et des hypothèses. Le choix de ces entités peut se faire de façon explicite, c'est-à-dire qu'elles sont décidées par le(s) scientifique(s) en charge du développement de l'algorithme. Il peut aussi être implicite, dans le cas du machine learning.

Comme disait le Pr Richard Feynman : "Si vous ne savez pas expliquer quelque chose simplement, c'est que vous ne l'avez pas compris."

comment savoir si la mesure que je réalise ne perturbe pas le phénomène que je souhaite analyser et quantifier?

Il est un dernier point que je n'ai pas encore abordé:c'est le paradoxe de l'observation et de la mesure.Car on modélise souvent un phénomène à partir d'observations directes...Mais nos propres observations peuvent être sources de biais!

Maintenant que ma simulation fonctionne dans les grandes lignes, me voici à présent à l'étape de la calibration: c'est l'étape où je dois identifier avec précision la valeur de tous les paramètres de mon algorithme.
A cette étape, on fonctionne encore par tâtonnement, en faisant évoluer les paramètres et en observant les résultats obtenus, pour faire petit à petit coîncider les mesures virtuelles aux mesures observées dans la réalité. Cette étape de grande précision est elle aussi réalisée grâce à un algorithme, dit "d'optimisation", qui réalise des simulations en faisant varier les paramètres jusqu'à obtenir les valeurs les plus justes.

La syntaxe est, avec la sémantique, la notion la plus importante à assimiler quand on apprend un langage informatique. Pour faire un parallèle simple: toutes les langues parlées-l'anglais, le français, le chinois, l'arabe ou encore l'allemand-diffèrent par leur grammaire et leur syntaxe.

Parce qu'ils sont inévitables, les biais nous forcent à développer notre esprit critique. Ils sont, en quelque sorte, l'ingrédient magique de l'autodéfense intellectuelle chez le numéricien: ils nous posent à remettre sans cesse en question les résultats d'autrui, mais aussi nos propres idées.

Comme le disait le professeur Richard Feynman : "Si vous ne savez pas expliquer quelque chose simplement, c'est que vous ne l'avez pas compris." J'ajouterai : Si personne ne vous pose de questions suite à votre explication, c'est que vous n'avez pas été suffisamment clair !". La curiosité est l'une des plus belle qualité : la déclencher chez les autres est, pour moi, une source de joie immense et une satisfaction personnelle.

Mon envie de découvrir l'informatique est donc venue avant tout d'une frustration, qui s'exprime chez moi par un mélange d'agacement et d'impatience. J'étais frustrée de ne pas comprendre mais, plus encore, je n'arrivais pas à saisir ce qui me manquait pour commencer à comprendre. Prendre conscience de ce que l'on ne sait pas: voilà une étape clé de tout processus d'apprentissage.

Car au-delà des élastomères, ma thèse m'aura enseigné deux grandes vérités, qui m'accompagnent encore aujourd'hui. D'abord, que la recherche est par nature collaborative. Ensuite, qu'il n'existe pas de modèle parfait.