Caler les paramètres par machine learning

Mis à jour le 4 novembre 20265 sources citées

Un modèle de simulation de flux produit plusieurs indicateurs de sortie — temps de séjour, taux d’occupation, longueur de file, débit — qui dépendent des paramètres d’entrée : nombre de ressources, lois de durée, taux d’arrivée. Quand on dispose de mesures réelles sur ces sorties, le problème inverse — retrouver les paramètres qui les expliquent — peut être résolu par apprentissage automatique.

Pourquoi un problème inverse ?

Dans une étude classique, les paramètres sont fixés par les données terrain et la simulation produit les sorties. Mais il arrive que certaines grandeurs d’entrée soient inconnues ou difficiles à mesurer : temps réel de réglage d’une machine, taux de rebut, durée d’une absence non programmée. On dispose alors de mesures sur les sorties (débit constaté, files observées) et on cherche les paramètres qui rendent le modèle cohérent avec ces observations.

L’analyse multivariée est ici indispensable : un même débit moyen peut être obtenu par plusieurs combinaisons de paramètres, mais la distribution complète des sorties — file, occupation, variance des temps — lève une partie de cette ambiguïté.

La démarche : de la simulation supervisée à l’inférence des paramètres

La méthode se décompose en quatre étapes :

La quatrième étape peut être réalisée par optimisation directe (minimiser l’écart entre sorties prédites et observées) ou par un second modèle entraîné à prédire les paramètres à partir des sorties. Dans les deux cas, la richesse des sorties multivariées réduit le nombre de solutions possibles.

Ce que cette approche exige du modèle

La qualité de l’inférence dépend directement de trois conditions, qui renvoient aux principes posés dans la définition de la simulation de flux.

Le modèle doit être sensible aux paramètres recherchés. Si le taux de rebut n’a aucun effet sur les sorties mesurées, aucune méthode ne permettra de le retrouver. Une analyse de sensibilité préalable identifie les paramètres qui pèsent sur les indicateurs disponibles.

La variabilité doit être caractérisée. Un modèle stochastique produit des sorties différentes à chaque réplication. Le métamodèle peut apprendre sur les moyennes ou sur les distributions complètes ; le choix change l’incertitude sur les paramètres inférés.

Les sorties observées doivent être comparables à celles du modèle. Une donnée terrain collectée sur une période où le système n’était pas en régime transitoire ne peut pas être rapprochée d’une simulation qui inclut la montée en charge, et inversement.

Liens avec les autres méthodes et limites

L’inférence par apprentissage automatique ne remplace pas une mesure directe des paramètres : elle donne une estimation assortie d’une incertitude qu’il faut quantifier — par intervalle de vraisemblance, par ré-échantillonnage ou par inférence bayésienne. Elle est particulièrement utile en phase de calage d’un modèle existant, quand le système est en service mais que certaines données d’entrée sont manquantes ou obsolètes.

Cette page complète la fiche machine learning appliqué à la simulation, qui couvre le sens direct (prédire des sorties à partir de paramètres). L’inférence inverse en est le symétrique : elle utilise les mêmes outils — métamodèle, plan d’expériences, validation croisée — mais pose une question différente, celle de la cohérence du modèle avec ce qu’on observe.

Les limites et biais d’une simulation de flux s’appliquent intégralement : un métamodèle entraîné sur un modèle lui-même mal calibré donnera des paramètres précis et faux.