Wolfram Research mise sur l’IA et des données fiables pour mieux calculer

Au 1er octobre 2024, l’essor des grands modèles de langage a remis au premier plan une question essentielle pour les scientifiques, les développeurs et les organisations : comment obtenir non seulement une réponse rapide, mais aussi un résultat que l’on peut vérifier ? Wolfram Research défend une voie fondée sur le rapprochement entre l’IA générative, le calcul formel et des données structurées. L’idée est simple en apparence : faire dialoguer des modèles capables de comprendre le langage courant avec des outils conçus pour calculer précisément.

Cette ambition répond à une faiblesse bien connue des assistants conversationnels. Un modèle de langage peut formuler une explication convaincante, produire du code ou résumer un document. Mais il ne garantit pas, à lui seul, qu’une équation est correcte, qu’une unité de mesure a été respectée ou qu’une information chiffrée repose sur une donnée à jour et correctement identifiée. Dans les domaines où une erreur de calcul ou d’interprétation a des conséquences concrètes, le recours à des mécanismes de calcul et à des sources de données explicites devient donc central.

Wolfram Language à l’épreuve des grands modèles de langage

Wolfram Research est notamment connu pour Wolfram Language, un langage de programmation orienté vers le calcul, la manipulation de données, la visualisation et le traitement symbolique. Ce dernier point mérite une explication : le calcul symbolique ne travaille pas uniquement sur des valeurs numériques approchées, il peut aussi transformer des expressions mathématiques sous forme d’équations, de fonctions ou de formules.

La publication d’origine souligne l’effort engagé pour optimiser l’interface de programmation de Wolfram Language à destination des LLM, les grands modèles de langage. L’un des objectifs mis en avant consiste à mieux reconnaître et corriger les erreurs de code les plus fréquentes. Dans ce cadre, l’IA peut aider à interpréter une intention exprimée en langage naturel, proposer une commande, repérer une incohérence ou suggérer une correction au développeur.

Cette assistance est utile, mais elle ne doit pas être confondue avec une garantie automatique. Un modèle peut proposer un programme qui semble cohérent tout en contenant une hypothèse erronée, une mauvaise condition initiale ou une confusion entre deux grandeurs. Les outils de calcul ont alors un rôle complémentaire : exécuter, tester et examiner le résultat produit.

La promesse n’est donc pas de remplacer la programmation ou l’expertise scientifique par une conversation. Elle consiste plutôt à réduire la distance entre une question, la formulation technique d’un problème et l’obtention d’un résultat calculable.

Pourquoi les données concrètes changent la valeur d’une réponse

Dans la vision mise en avant par Wolfram Research, la qualité d’une analyse dépend autant du système qui calcule que des informations qu’il reçoit. Une donnée concrète et fiable n’est pas simplement une donnée chiffrée. Il faut aussi savoir ce qu’elle mesure, dans quelle unité, à quelle date, selon quelle méthode et avec quelles limites.

Cette exigence est particulièrement importante à l’heure où les modèles génératifs sont employés pour répondre à des questions factuelles. Sans accès à une base structurée ou sans mécanisme de contrôle, un assistant peut confondre deux notions proches, extrapoler à partir d’informations incomplètes ou inventer un détail manquant. En science des données, ces risques existent également lorsque l’on utilise un jeu de données mal documenté, biaisé ou incomplet.

Wolfram Research s’inscrit historiquement dans un univers où les données, les algorithmes et les calculs sont conçus pour être mobilisés ensemble. Son moteur de connaissance computationnelle Wolfram|Alpha illustre ce principe : au lieu de chercher seulement des pages contenant des mots-clés, il vise à interpréter une requête et à fournir un résultat calculé à partir de connaissances organisées.

Pour le lecteur, la nuance est importante. Une phrase générée par une IA peut être utile pour découvrir un sujet. Un résultat étayé par des données identifiées, une méthode de calcul et des unités cohérentes est plus adapté lorsqu’il faut prendre une décision, établir une comparaison ou mener une recherche.

IA, apprentissage machine et science des données : quelles différences ?

Les termes sont fréquemment employés comme s’ils désignaient la même chose. Ils recouvrent pourtant des réalités différentes, même s’ils se croisent dans les projets actuels.

L’intelligence artificielle est l’ensemble le plus large. Elle comprend les systèmes capables d’accomplir des tâches associées à certaines formes de raisonnement, de perception, de langage, de recommandation ou de décision automatisée. Un système à règles, un programme de reconnaissance d’images et un assistant conversationnel peuvent tous relever de l’IA, selon leur conception et leur usage.

L’apprentissage machine, souvent désigné par l’expression anglaise machine learning, est une branche de l’IA. Plutôt que de programmer explicitement toutes les règles, on entraîne un modèle sur des exemples afin qu’il repère des régularités. Il peut ensuite classer des images, prévoir une valeur ou détecter une anomalie. Les grands modèles de langage appartiennent à cette famille au sens large.

La science des données est encore plus transversale. Elle couvre la collecte, le nettoyage, l’organisation, l’exploration, la visualisation et l’interprétation des données. Elle peut faire appel aux statistiques, au machine learning, aux bases de données, à la programmation et à la connaissance d’un domaine. Une équipe de science des données ne cherche pas uniquement à obtenir une prédiction : elle doit aussi définir le problème, mesurer l’incertitude et rendre ses résultats compréhensibles.

Une analyse utile suppose des calculs, mais aussi un contexte humain

La publication d’origine évoque des interfaces de données humaines. Derrière cette formule se trouve une réalité très concrète : une analyse n’a de valeur que si une personne peut comprendre ce qui a été demandé, ce qui a été calculé et ce que le résultat signifie.

Une interface bien conçue doit donc permettre de passer d’une question formulée naturellement à des variables visibles et à des hypothèses explicites. Dans un tableau de bord, par exemple, afficher une moyenne ne suffit pas. Il faut savoir sur quelle période elle est calculée, quel échantillon elle couvre, si des données manquent et si une valeur extrême fausse l’interprétation.

Cette dimension est aussi essentielle pour l’automatisation du code. Une suggestion de correction est intéressante si elle explique le problème rencontré : mauvaise syntaxe, type de donnée incompatible, fonction mal employée ou variable non définie. Elle devient moins utile lorsqu’elle masque l’erreur sous une réponse opaque que l’utilisateur ne peut ni vérifier ni adapter.

Les limites ne disparaissent donc pas avec des outils plus sophistiqués. La qualité du résultat dépend notamment de quatre éléments :

• la précision de la question posée ;
• la qualité et la documentation des données ;
• l’adéquation de la méthode de calcul ou du modèle employé ;
• la capacité d’un humain à relire, contextualiser et valider le résultat.

Santé, agriculture et recherche : des promesses à encadrer par les données

Les usages de l’IA dans la santé illustrent bien l’importance de cette chaîne de confiance. Suivi à distance de patients, aide à certaines opérations ou prothèses intelligentes sont souvent cités parmi les pistes de transformation du secteur. Mais un outil médical ne peut pas être évalué comme un simple assistant de rédaction : il doit être confronté à des données de qualité, à des protocoles d’évaluation et à l’expertise des professionnels de santé.

Dans l’agriculture également, l’analyse de données peut aider à mieux observer les cultures, anticiper certains besoins ou améliorer la productivité. La publication d’origine rappelle notamment que des agriculteurs kenyans utilisent des solutions d’IA dans cette perspective. Là encore, la pertinence d’une recommandation dépend de données locales : météo, sols, variétés cultivées, ressources disponibles et conditions économiques. Un modèle performant dans une région ne peut pas être transposé sans précaution dans une autre.

Pour la recherche scientifique, l’intérêt d’une combinaison entre langage naturel, données et calcul est d’accélérer certaines étapes : explorer un ensemble de résultats, manipuler des formules, modéliser un phénomène ou préparer une visualisation. Le gain de temps ne dispense toutefois ni de la méthode scientifique ni de la reproduction des résultats. Une IA peut suggérer une piste, elle ne remplace pas la validation expérimentale ou l’examen par les pairs.

L’IA frugale, une réponse au coût des données et du calcul

La publication d’origine mentionne aussi l’émergence d’une IA frugale. L’expression désigne une recherche d’efficacité : accomplir une tâche pertinente en mobilisant moins de données, moins de puissance de calcul, moins d’énergie ou du matériel moins coûteux. Cet objectif est particulièrement pertinent lorsque les infrastructures numériques sont limitées ou que les données disponibles sont rares.

La frugalité ne signifie pas qu’il faudrait entraîner un modèle avec n’importe quelles données ou sacrifier la vérification des résultats. Elle invite plutôt à choisir un outil proportionné au problème. Pour prévoir une valeur dans un tableau bien structuré, un modèle statistique simple et interprétable peut parfois être plus judicieux qu’un très grand modèle génératif. Pour résoudre une équation, une méthode de calcul dédiée peut être plus fiable et plus économe qu’une génération textuelle.

Cette logique rejoint la position de Wolfram Research : l’IA devient plus utile lorsqu’elle s’appuie sur les capacités adaptées, qu’il s’agisse d’un modèle de langage, d’un algorithme, d’une base de connaissances ou d’un moteur de calcul.

Ce qu’il faut surveiller dans l’IA appliquée à la science des données

L’intégration de LLM dans des environnements de calcul ouvre des perspectives concrètes pour les développeurs et les chercheurs. Elle peut rendre des outils techniques plus accessibles, faciliter l’écriture de code, accélérer l’exploration de données et améliorer l’explication de résultats complexes. Mais son intérêt réel se mesurera moins à la fluidité d’une conversation qu’à la robustesse des réponses obtenues.

Trois critères seront particulièrement décisifs. Le premier est la traçabilité : l’utilisateur doit pouvoir retrouver les données, les paramètres et les opérations qui ont conduit au résultat. Le deuxième est la vérifiabilité : un calcul, un programme ou une analyse doit pouvoir être contrôlé indépendamment de la formulation persuasive d’un assistant. Le troisième est l’adaptation au contexte : les outils doivent tenir compte des contraintes propres à la santé, à la recherche, à l’agriculture ou à toute autre activité.

Pour Wolfram Research comme pour les autres acteurs du secteur, le défi est de faire de l’IA une interface plus naturelle vers les connaissances et le calcul, sans laisser la simplicité apparente de l’outil masquer la complexité des données. C’est précisément dans cet équilibre entre automatisation, rigueur scientifique et contrôle humain que se joue la valeur durable de la science des données assistée par l’IA.