Cette différence révèle une idée fondamentale : prédire une valeur et quantifier l’incertitude qui l’entoure sont deux problèmes distincts. Et cette question ne concerne pas que l’intelligence artificielle : elle traverse depuis longtemps la statistique, la météorologie, la climatologie, l’hydrologie et la géostatistique. Aujourd’hui, ces disciplines convergent vers une même nécessité – ne plus seulement prévoir ce qui pourrait arriver, mais caractériser les différents futurs possibles et leur probabilité.
Une carte peut être précise… sans être certaine
Prenons la pluie. Une carte de précipitations peut être extrêmement détaillée : chaque pixel porte une valeur -12 mm ici, 25 mm plus loin, 40 mm ailleurs. Visuellement, tout semble connu.
Pourtant, la pluie n’a pas été mesurée dans chacun de ces pixels. Elle a été observée en quelques endroits, puis estimée ailleurs à partir de l’information disponible. Il faut donc distinguer deux notions que la beauté d’une carte fait facilement confondre : la résolution de la carte et la résolution de notre connaissance. Une carte très détaillée n’est pas nécessairement une carte également certaine partout.
Plusieurs configurations de la pluie peuvent être compatibles avec les mêmes observations. C’est précisément ce que représentent les simulations probabilistes : plutôt qu’une seule carte tenue pour la réponse, on génère de nombreuses réalisations possibles du même phénomène. Chacune respecte les observations et les propriétés statistiques retenues, mais représente une configuration spatiale légèrement différente – les plus fortes pluies un peu plus au nord dans l’une, quelques kilomètres plus au sud dans l’autre, un peu plus intenses localement dans une troisième. Aucune n’est présentée comme la vérité : c’est leur ensemble qui devient informatif.
Une carte nous montre un monde possible. Plusieurs cartes commencent à nous révéler ce que nous ignorons de ce monde.
Dans mes travaux sur la modélisation géostatistique des précipitations horaires, cette logique permet justement de produire de multiples réalisations et d’en tirer des quantiles et des mesures d’incertitude. À la question « Combien de pluie à cet endroit ? » on peut alors substituer « Quelles quantités sont plausibles compte tenu de ce que nous savons ? » ou « Quelle est la probabilité de dépasser 30 mm ? » — un changement plus profond qu’il n’y paraît.
Une carte très détaillée n’est pas nécessairement une carte également certaine partout.
Le vent offre un autre exemple. Avec l’essor de l’énergie éolienne, connaître la vitesse prévue ne suffit pas : il faut aussi connaître l’incertitude qui accompagne cette prévision. Une erreur de prévision de quelques heures peut avoir des conséquences très différentes selon l’état du réseau et la production attendue. Quantifier cette incertitude contribue donc à mieux anticiper les marges nécessaires pour intégrer une ressource naturellement variable.
L’intelligence artificielle aussi devient probabiliste
On aurait tort de croire que ce raisonnement appartiendrait à la géostatistique tandis que l’IA se limiterait à fournir une valeur unique. Les développements récents montrent le contraire.
Plusieurs systèmes d’IA produisent désormais des ensembles de prévisions — plusieurs évolutions plausibles d’un même phénomène. En météorologie, le Centre européen (ECMWF) exploite depuis juillet 2025 un système d’IA ensembliste, AIFS ENS, qui produit un ensemble de 51 membres – autant de futurs météorologiques possibles – plutôt qu’une trajectoire unique. De son côté, Google DeepMind a présenté GenCast (Nature, 2024), un modèle génératif qui produit lui aussi des ensembles et permet notamment une meilleure évaluation probabiliste des événements météorologiques extrêmes.
L’IA face aux futurs possibles. Certains systèmes de prévision ne produisent plus une seule trajectoire, mais un ensemble de futurs plausibles. Leur dispersion renseigne sur l’incertitude de la prévision. Cette information peut éclairer la décision et, dans certaines approches, guider l’acquisition de nouvelles observations. – Illustration conceptuelle générée avec l’aide de l’intelligence artificielle.
Des traditions scientifiques très différentes convergent ainsi vers une même idée : lorsqu’un phénomène est intrinsèquement incertain, une seule prévision ne contient pas toute l’information utile.
Mais produire plusieurs scénarios ne règle pas tout. Une question surgit aussitôt : ces scénarios représentent-ils correctement l’incertitude réelle ?
Un intervalle annoncé à 95 % couvre-t-il vraiment 95 % des cas ?
Supposons qu’un système fournisse un intervalle auquel il associe une confiance de 95 %. Que signifie ce nombre ? Intuitivement, si l’on répète l’exercice sur un grand nombre de situations comparables et que l’intervalle est bien calibré, la fréquence de couverture observée devrait être compatible avec le niveau annoncé.
Imaginons que cette fréquence soit bien inférieure au niveau annoncé. Le problème n’est plus seulement que le modèle se trompe : il sous-estime son incertitude. Il est, en quelque sorte, trop confiant. Des travaux devenus classiques ont montré que des réseaux neuronaux pourtant très performants pouvaient être mal calibrés, notamment en affichant une confiance excessive. Cette question a depuis donné lieu à de nombreuses méthodes destinées à évaluer et améliorer la fiabilité des probabilités et des intervalles produits. À l’inverse, des intervalles si larges qu’ils englobent presque tout ne sont guère utiles. La qualité d’une prévision probabiliste tient donc à un équilibre : l’incertitude doit être suffisamment large pour être crédible, mais suffisamment resserrée pour rester informative.
C’est le problème de la calibration probabiliste – une exigence qui vaut pour tout modèle, qu’il repose sur l’IA, la statistique, la géostatistique ou une autre approche.
Une prévision probabiliste ne doit pas seulement être précise. Elle doit être honnête sur ce qu’elle ignore.
-35 °C : est-ce vraiment exceptionnel ?
Les températures extrêmes permettent d’aller plus loin. Un modèle annonce une minimale de -35 °C : est-ce exceptionnel ? Cela dépend du lieu – un -35 °C n’a pas la même rareté partout au Québec.
On introduit alors la période de retour. Dire qu’un événement a une période de retour de 20 ans ne signifie pas qu’il revient mécaniquement tous les 20 ans, mais correspond, en formulation simplifiée, à une probabilité d’environ une chance sur vingt par année. Cette définition soulève aussitôt une question : une période de retour… en quel endroit ?
Dans mes travaux sur les températures minimales extrêmes au Québec, la modélisation spatiale permet précisément d’étudier comment la fréquence et l’intensité de ces extrêmes varient sur le territoire. Or un épisode de froid réel n’est pas seulement une température en un point : il a aussi une étendue et une durée. Deux événements peuvent atteindre le même -35 °C tout en étant très différents – l’un touchant une petite région quelques heures, l’autre une grande partie du territoire pendant plusieurs jours. Même minimale, pas le même événement.
Un extrême n’est pas seulement une valeur. C’est aussi un territoire et une durée.
Le risque prend alors une dimension spatio-temporelle. Au lieu de « Quelle est la période de retour de -35 °C en un point ? », on peut demander : Quelle est la probabilité qu’au moins 30 % du territoire connaisse des températures sous -35 °C pendant trois jours consécutifs ?
L’événement se définit désormais par plusieurs dimensions conjointes – intensité, étendue spatiale, durée – auxquelles s’ajoute sa probabilité d’occurrence.
Deux épisodes de froid atteignant la même minimale (−35 °C), mais d’étendue et de durée très différentes : le risque a une dimension spatio-temporelle.
Les simulations probabilistes prennent ici tout leur sens. À partir de milliers de scénarios respectant la structure spatiale et temporelle du phénomène, on peut compter combien produisent l’événement visé : parmi 10 000 futurs plausibles, combien présentent simultanément un froid sous -35 °C sur au moins 30 % du territoire pendant trois jours consécutifs ? La question n’est plus « Quelle température fera-t-il ? », mais « Quelle est la probabilité d’un événement possédant à la fois cette intensité, cette étendue et cette durée ? » – une façon beaucoup plus complète de penser les événements rares.
L’incertitude peut aussi aider l’IA à apprendre
Jusqu’ici, l’incertitude accompagne la prévision. Mais elle peut faire davantage. Encore faut-il distinguer deux grandes sources d’incertitude : l’une, irréductible, tient à la variabilité propre du phénomène ; l’autre, réductible, aux limites du modèle et aux informations dont il dispose. Acquérir de nouvelles observations peut réduire la seconde, mais pas la première. C’est notamment sur cette seconde composante que l’incertitude peut devenir un levier d’apprentissage : dans certaines approches d’apprentissage automatique, elle sert à repérer les situations où le modèle dispose de peu d’information ou hésite le plus – et donc à déterminer quelles nouvelles observations seraient les plus instructives. C’est l’idée de l’apprentissage actif (active learning).
Le raisonnement devient alors circulaire : prédire → quantifier l’incertitude → repérer les situations difficiles → y acquérir de l’information → réapprendre → mieux prédire.
L’incertitude n’est donc plus seulement le thermomètre de la confiance du modèle : elle peut devenir l’un des leviers de son progrès. C’est particulièrement vrai pour les phénomènes rares : un modèle peut exceller dans les situations ordinaires – abondantes dans ses données – et buter précisément sur les situations extrêmes, celles qui intéressent le plus certains utilisateurs. Identifier ces zones d’incertitude peut alors compter autant que réduire l’erreur moyenne.
L’incertitude n’est plus seulement le thermomètre de la confiance du modèle : elle peut devenir l’un des leviers de son progrès.
Ni l’IA contre la statistique, ni l’inverse
Il serait réducteur d’opposer intelligence artificielle et méthodes probabilistes classiques ; les deux mondes se rapprochent. L’IA apporte une capacité remarquable à apprendre des relations complexes dans d’immenses volumes de données. La statistique et la géostatistique possèdent une longue tradition de représentation probabiliste des phénomènes et de leurs incertitudes. Et l’IA moderne développe elle-même des méthodes ensemblistes et de calibration.
La question la plus intéressante n’est donc pas « Quelle méthode remplacera l’autre ? », mais « Comment combiner leurs forces pour des prévisions à la fois performantes, probabilistes, bien calibrées et utiles à la décision ? »
De « mieux prédire » à « mieux connaître ce que l’on ignore »
La prévision scientifique a longtemps été dominée par une ambition légitime : réduire l’erreur. Elle demeure. Mais des systèmes toujours plus puissants font apparaître une seconde exigence : savoir non seulement ce que le modèle prévoit, mais quelles valeurs restent plausibles, avec quelles probabilités, et où son incertitude est la plus grande. Et, finalement : la confiance annoncée par le modèle mérite-t-elle elle-même notre confiance ?
Prévoir, c’est dessiner un futur possible. Quantifier l’incertitude, c’est reconnaître qu’il en existe d’autres.
Le progrès ne consiste peut-être plus seulement à apprendre aux machines à mieux prévoir. Il consiste aussi à mieux représenter ce qu’elles ne savent pas encore et à utiliser cette information pour progresser.
Car une prédiction n’est réellement utile à la décision que si l’on sait aussi quelle confiance lui accorder.
POUR ALLER PLUS LOIN
Travaux de l’auteur à la base des exemples
D. Tapsoba, R. Rousseau-Rizzi, P. Masoudi & O. Lemarchand (2026). Probabilistic Modeling of Hourly Precipitation Jointly with ERA5-Land: Application of Geostatistical Simulations. Mathematical Geosciences. DOI: 10.1007/s11004-026-10286-w.
D. Tapsoba, P. Masoudi & X. Emery (2026). Spatial Uncertainty Quantification of Extreme Cold Temperature Return Periods in Quebec Using Multivariate Turning Bands Simulation. Stochastic Environmental Research and Risk Assessment (SERRA). DOI : 10.1007/s00477-026-03231-0.
Calibration et incertitude en apprentissage automatique
C. Guo, G. Pleiss, Y. Sun & K. Q. Weinberger (2017). On Calibration of Modern Neural Networks. Proc. ICML (PMLR 70).
E. Hüllermeier & W. Waegeman (2021). Aleatoric and epistemic uncertainty in machine learning: an introduction to concepts and methods. Machine Learning, 110.
Prévision probabiliste et par intelligence artificielle
T. Gneiting, F. Balabdaoui & A. E. Raftery (2007). Probabilistic forecasts, calibration and sharpness. J. R. Stat. Soc. B, 69(2).
I. Price et coll. (2024). Probabilistic weather forecasting with machine learning (GenCast). Nature.
Extrêmes et incertitude spatiale
T. Gneiting, F. Balabdaoui & A. E. Raftery (2007). Probabilistic forecasts, calibration and sharpness. J. R. Stat. Soc. B, 69(2).
J.-P. Chilès & P. Delfiner (2012). Geostatistics: Modeling Spatial Uncertainty (2ᵉ éd.). Wiley.
Illustration conceptuelle générée avec l’aide de l’intelligence artificielle. 
