De l’intuition au modèle :
qui construit vraiment les IA ?
On croit souvent que les intelligences artificielles naissent des données. Ou des algorithmes. Ou du code Python. En réalité, tout commence bien plus tôt — par une question simple posée devant un tableau noir. Voici le vrai voyage d’un modèle, de sa naissance à sa maturité.
Imagine un élève de 3ème à Parakou. Depuis le début de l’année, il travaille dur — mais ses notes stagnent. Son professeur observe quelque chose d’intéressant : les progrès sont rapides au début, puis ralentissent progressivement. Cette observation, toute simple, est le point de départ d’un modèle mathématique.
Pas les données. Pas le code. Pas l’algorithme. L’observation du réel.
C’est là la première grande surprise de la data science : un modèle ne naît pas dans un ordinateur. Il naît dans la tête de quelqu’un qui regarde le monde attentivement.
Qu’est-ce que modéliser, vraiment ?
Prenons trois situations que tout Béninois peut observer autour de lui :
🎓 Un élève apprend vite au début, puis ralentit. — Cela ressemble à une fonction logarithmique ou une courbe de saturation.
🏥 Un patient sous traitement peut guérir ou rechuter selon sa progression. — Cela ressemble à un modèle probabiliste binaire — la régression logistique !
🌾 La production de maïs augmente avec la pluie, mais au-delà d’un seuil, trop d’eau noie les plants. — Cela ressemble à une parabole avec un maximum.
Ces trois observations sont des intuitions du réel. Elles ne sont pas encore des modèles. Mais elles en portent les germes. Le travail du modélisateur, c’est de les faire éclore.
Le voyage d’un modèle — de l’idée à la prédiction
Ce schéma révèle quelque chose de fondamental : construire un modèle est un travail collectif. Personne ne peut faire les 5 étapes seul avec la même excellence. C’est pour ça que les meilleures équipes de data science sont pluridisciplinaires.
Les trois bâtisseurs du modèle
Derrière chaque modèle performant, on trouve généralement trois types de compétences qui s’articulent comme les pièces d’un même puzzle.
Imagine qu’on veuille modéliser la propagation du paludisme dans les villages du Sud-Bénin pendant la saison des pluies.
L’expert du domaine (un médecin de l’EPAC ou du CNHU) observe : les cas explosent 2 semaines après les grandes pluies, surtout dans les zones de marigots. Il identifie les facteurs clés : température, humidité, proximité de l’eau.
Le mathématicien formalise : il propose un modèle SIR modifié (comme celui de notre article #7 !) avec un paramètre β saisonnier qui dépend des précipitations. Il pose les équations différentielles correspondantes.
Le data scientist collecte les données des centres de santé des 5 dernières années, estime β et γ par régression, valide le modèle sur une région test, et ajuste.
Résultat : un outil qui prédit les pics de paludisme 3 semaines à l’avance — et permet d’envoyer les moustiquaires et médicaments au bon endroit, au bon moment.
Le grand malentendu sur la data science
Beaucoup de gens — et même beaucoup de data scientists débutants — croient que leur travail consiste à trouver un modèle dans les données. Ils lancent dix algorithmes différents, gardent celui qui a le meilleur score, et appellent ça de la « modélisation ».
C’est une erreur profonde. Et dangereuse.
Un modèle qui performe bien sur les données d’entraînement sans compréhension du phénomène est comme un étudiant qui apprend par cœur les réponses de l’examen précédent. Il réussira ce test. Il échouera sur le prochain.
En data science, ce problème s’appelle le surapprentissage (overfitting) — le modèle a mémorisé les données au lieu de comprendre le phénomène.
La modélisation — comprendre d’abord pourquoi un phénomène se comporte ainsi — est le meilleur antidote au surapprentissage.
Un bon data scientist ne se demande pas « quel algorithme donne le meilleur score ? » mais « est-ce que mon modèle capture quelque chose de vrai sur le monde ? »
Les trois piliers d’un bon modèle moderne
Les modèles les plus puissants d’aujourd’hui — qu’il s’agisse de prédire les crues, détecter les maladies ou recommander des cours en ligne — reposent sur trois piliers indissociables :
Remarque l’ordre : l’intuition vient en premier. Les données viennent en dernier. Ce n’est pas pour minimiser l’importance des données — elles sont essentielles — mais pour rappeler qu’elles ne peuvent pas se substituer à la compréhension.
Le profil du futur : le mathématicien-terrain
Les avancées récentes de l’IA ont créé un besoin nouveau sur le marché africain et mondial : un profil capable de faire les trois choses à la fois. Ni purement théorique, ni purement technique. Un pont entre le monde réel et le monde des équations.
Le mathématicien qui ne connaît que ses équations construit des modèles qui ne fonctionnent pas. Le praticien qui ne connaît que son terrain construit des solutions qui ne généralisent pas. Celui qui maîtrise les deux change le monde. — Philosophie du data scientist africain
Ce profil hybride — mathématicien, statisticien et expert du domaine à la fois — est précisément ce que toi, enseignant de mathématiques qui apprend la data science, tu es en train de devenir. Et l’Afrique en a cruellement besoin.
Pourquoi l’Afrique en particulier ? Parce que les modèles importés d’Europe ou d’Amérique du Nord sont calibrés sur des données qui ne ressemblent pas aux réalités africaines. Les distributions de revenus, les comportements de mobilité, les patterns de maladies, les habitudes alimentaires — tout diffère. Seul quelqu’un qui comprend à la fois les maths et le contexte local peut construire des modèles qui fonctionnent vraiment ici.
En pratique : comment modéliser un phénomène ?
Voici la démarche concrète que tout bon modélisateur applique — qu’il travaille sur la santé, l’éducation ou l’agriculture :
1. Définir la question. Pas « comment analyser ces données » mais « quel phénomène est-ce qu’on cherche à comprendre ou prédire ? »
2. Observer et interviewer. Parler aux experts du terrain. Aller voir. Comprendre les mécanismes avant de toucher au clavier.
3. Choisir une structure mathématique. Linéaire ? Exponentielle ? Probabiliste ? Différentielle ? Ce choix doit être guidé par le phénomène, pas par la mode algorithmique.
4. Collecter les bonnes données. Pas toutes les données — les données pertinentes pour le modèle choisi.
5. Estimer et valider. Ajuster les paramètres, tester sur des données non vues, mesurer les erreurs.
6. Interpréter et communiquer. Un modèle qui ne peut pas être expliqué à l’expert du domaine est un modèle suspect.
✏️ Exercice de réflexion
Pour chacun des trois phénomènes suivants, réponds aux questions : (a) qui serait l’expert du domaine idéal ? (b) quelle structure mathématique proposes-tu ? (c) quelles données collecterais-tu ?
Phénomène 1 : La vitesse à laquelle les élèves béninois progressent en mathématiques au fil des trimestres.
Phénomène 2 : Le risque qu’un agriculteur du Bénin abandonne sa culture de coton pour une autre culture.
Phénomène 3 : L’évolution du prix du carburant à Cotonou en fonction du taux de change et du prix du baril.
Phénomène 1 — Progression des élèves :
(a) Expert : enseignant + pédagogue + psychologue de l’éducation
(b) Structure : courbe de saturation (type logarithmique ou sigmoïde) — les progrès sont rapides au début puis ralentissent
(c) Données : notes par trimestre, heures de travail, taille de classe, formation du professeur
Phénomène 2 — Abandon du coton :
(a) Expert : agronome + sociologue rural + économiste agricole
(b) Structure : régression logistique (oui/non) ou modèle de survie
(c) Données : revenus, prix du coton, accès au crédit, météo, superficie exploitée
Phénomène 3 — Prix du carburant :
(a) Expert : économiste + spécialiste en énergie
(b) Structure : régression linéaire multiple (prix = f(taux de change, prix baril, taxes…))
(c) Données : historique des prix à Cotonou, taux USD/XOF, prix Brent, historique des subventions ✅
Ce qu’on retient
Un modèle ne naît pas des données. Il naît d’une question posée sur le réel, formalisée en mathématiques, puis confrontée aux données. Ces trois étapes — observer, formaliser, valider — sont indissociables. Oublier la première, c’est construire sur du sable.
Et le profil le plus précieux dans la data science africaine de demain n’est pas celui qui connaît le plus d’algorithmes — c’est celui qui comprend à la fois les mathématiques et le terrain. Celui qui peut poser la bonne question avant d’ouvrir son ordinateur.
Dans le prochain article, nous plongerons dans la loi normale et la courbe en cloche — cette distribution qui gouverne les notes de tes élèves, les erreurs de mesure, et presque tout ce qui varie autour d’une moyenne dans la nature.