Modèle basé sur les données

Les modèles basés sur les données sont une classe de modèles informatiques qui s'appuient principalement sur des données historiques collectées tout au long de la vie d'un système ou d'un processus pour établir des relations entre les variables d'entrée, internes et de sortie. Communément présents dans de nombreux articles et publications, les modèles basés sur les données ont évolué à partir de modèles statistiques antérieurs , surmontant les limites posées par des hypothèses strictes sur les distributions de probabilité. Ces modèles ont gagné en importance dans divers domaines, en particulier à l'ère du big data , de l'intelligence artificielle et de l'apprentissage automatique , où ils offrent des informations et des prévisions précieuses basées sur les données disponibles.

Ces modèles ont évolué à partir de modèles statistiques antérieurs , qui étaient basés sur certaines hypothèses sur les distributions de probabilités qui se sont souvent révélées trop restrictives. L'émergence de modèles basés sur les données dans les années 1950 et 1960 a coïncidé avec le développement des ordinateurs numériques , les progrès de la recherche en intelligence artificielle et l'introduction de nouvelles approches dans la modélisation non comportementale, telles que la reconnaissance de formes et la classification automatique.

Les modèles basés sur les données englobent un large éventail de techniques et de méthodologies qui visent à traiter et analyser intelligemment de grands ensembles de données. Parmi les exemples, citons la logique floue , les ensembles flous et approximatifs pour la gestion de l'incertitude, les réseaux neuronaux pour l'approximation des fonctions, l'optimisation globale et l'informatique évolutive , la théorie de l'apprentissage statistique , et les méthodes bayésiennes . Ces modèles ont trouvé des applications dans divers domaines, notamment l'économie, la gestion des relations clients, les services financiers, la médecine et l'armée, entre autres.

L'apprentissage automatique , un sous-domaine de l'intelligence artificielle , est étroitement lié à la modélisation basée sur les données, car il se concentre également sur l'utilisation de données historiques pour créer des modèles capables de faire des prédictions et d'identifier des modèles. En fait, de nombreux modèles basés sur les données intègrent des techniques d'apprentissage automatique, telles que les algorithmes de régression , de classification et de clustering , pour traiter et analyser les données.

Ces dernières années, le concept de modèles basés sur les données a suscité une attention considérable dans le domaine des ressources en eau, avec de nombreuses applications, cours universitaires et publications scientifiques utilisant le terme comme généralisation pour les modèles qui s'appuient sur les données plutôt que sur la physique. Cette classification a été présentée dans diverses publications et a même stimulé le développement de modèles hybrides au cours de la dernière décennie. Les modèles hybrides tentent de quantifier le degré d'informations basées sur la physique utilisées dans les modèles hydrologiques et de déterminer si le processus de construction du modèle est principalement basé sur la physique ou uniquement sur les données. En conséquence, les modèles basés sur les données sont devenus un sujet essentiel de discussion et d'exploration dans la gestion et la recherche sur les ressources en eau.

Le terme « modélisation pilotée par les données » (DDM) fait référence au paradigme global consistant à utiliser des données historiques en conjonction avec des techniques de calcul avancées, notamment l'apprentissage automatique et l'intelligence artificielle, pour créer des modèles capables de révéler des tendances et des modèles sous-jacents et, dans certains cas, de faire des prédictions Les modèles pilotés par les données peuvent être construits avec ou sans connaissance détaillée des processus sous-jacents régissant le comportement du système, ce qui les rend particulièrement utiles lorsque ces connaissances sont manquantes ou fragmentées.