WEBVTT
Kind: captions
Language: fr

00:00:04.220 --> 00:00:09.440
Je vous remercie de votre attention. Je m'appelle
Misha Chertkov et je vais vous parler des

00:00:09.440 --> 00:00:15.469
modèles graphiques de la pandémie. Je mentionnerai
également les modèles basés sur les agents,

00:00:15.469 --> 00:00:21.539
et je me situe donc du côté de la masse
appliquée. Poursuivons.

00:00:21.539 --> 00:00:27.412
C'est en quelque sorte la feuille de route
des activités que nous avons entamées, en

00:00:27.412 --> 00:00:29.009
fait, cette pandémie. Ce dont je vais vous
parler est basé sur ces deux documents qui

00:00:29.009 --> 00:00:31.859
sont disponibles dans les archives. Seule
l'entrée de certaines parties de cette feuille

00:00:31.859 --> 00:00:35.140
de route est couverte, et je parlerai en particulier
de l'inférence, de la prédiction et de la

00:00:35.140 --> 00:00:39.130
prévention des pandémies. Il y a beaucoup
d'autres aspects que nous prévoyons d'aborder,

00:00:39.130 --> 00:00:42.400
et l'une des raisons pour lesquelles je parle
ici est peut-être de chercher des collaborateurs.

00:00:42.400 --> 00:00:50.440
Tout a commencé par des données, et nous
avons obtenu un grand nombre de données sur

00:00:50.440 --> 00:01:01.250
la façon dont la pandémie s'est exprimée.
Il y a toutes sortes de données biologiques,

00:01:01.250 --> 00:01:04.890
épidémiologiques, géographiques, sur la
mobilité de l'environnement, ce qui est très

00:01:04.890 --> 00:01:16.530
important pour ce que nous faisons, etc. Je
ne veux pas lire ce tableau au pied de la

00:01:16.530 --> 00:01:22.549
lettre, mais je voulais souligner qu'il s'agit
d'un nouvel ingrédient important pour que

00:01:22.549 --> 00:01:26.790
les modélisateurs comme moi commencent à
réfléchir, et vous aussi d'ailleurs, à

00:01:26.790 --> 00:01:29.020
lancer de nouveaux projets de modélisation
de la pandémie.

00:01:29.020 --> 00:01:32.240
Au niveau de la modélisation, nous parlons
de niveaux de résolution très différents

00:01:32.240 --> 00:01:37.229
et de sources d'information très différentes,
en particulier des données que j'ai mentionnées,

00:01:37.229 --> 00:01:42.810
et de différentes expertises qui sont certainement
nécessaires. Ma position aujourd'hui, dans

00:01:42.810 --> 00:01:51.850
le cadre de cet exposé, se situera quelque
part au milieu, en ce sens que nous parlerons

00:01:51.850 --> 00:02:00.380
des cartes géographiques et des géographies
(c'est ainsi que nous les appelons). Je ne

00:02:00.380 --> 00:02:04.880
parlerai pas d'un modèle très agrégé,
ce que nous appelons les modèles compartimentaux,

00:02:04.880 --> 00:02:10.440
même s'ils ont constitué une première étape
très importante dans la modélisation de

00:02:10.440 --> 00:02:16.250
la pandémie en général, et pas seulement
du COVID. D'ailleurs, tout ce dont je parlerai

00:02:16.250 --> 00:02:20.220
peut être généralisé à d'autres pandémies
et à d'autres situations, non seulement virales

00:02:20.220 --> 00:02:25.190
mais aussi sociales. Je parlerai principalement
de ce que vous appelez les modèles graphiques,

00:02:25.190 --> 00:02:28.660
mais je mentionnerai également les modèles
basés sur des agents.

00:02:28.660 --> 00:02:34.570
Il s'agit d'un autre diagramme qui met en
jeu les échelles. Nous nous intéressons

00:02:34.570 --> 00:02:40.170
principalement à ces projets à l'échelle
d'un quartier, d'une ville comme Tucson ou

00:02:40.170 --> 00:02:44.790
d'un comté, mais cette modélisation ou ce
type de paradigme s'étend bien sûr à d'autres

00:02:44.790 --> 00:02:48.880
échelles. Nous prévoyons ce qui se passera
en cas d'injection d'une infection dans une

00:02:48.880 --> 00:02:54.510
ville donnée, par exemple, par le biais d'un
super propagateur, et nous projetons ce qui

00:02:54.510 --> 00:03:01.310
se passera dans deux ou trois semaines. Bien
entendu, il ne s'agit pas seulement de prédire,

00:03:01.310 --> 00:03:07.489
mais aussi de prévenir. En premier lieu,
j'ai mentionné les données. Nous voulons

00:03:07.489 --> 00:03:16.720
apprendre les paramètres de notre modèle,
donc tout cela est un parapluie univoque.

00:03:16.720 --> 00:03:24.599
Les modèles à très haute résolution sont
connus sous le nom de modèles basés sur

00:03:24.599 --> 00:03:31.769
des agents. Avant le début de la pandémie,
nous disposions d'une grande expertise en

00:03:31.769 --> 00:03:41.090
la matière dans le monde, mais très peu
d'entre eux, en fait un seul, était une source

00:03:41.090 --> 00:03:49.189
ouverte. Aujourd'hui, la liste des ABM (c'est
ainsi que nous appelons les modèles à base

00:03:49.189 --> 00:03:57.470
d'agents) est pratiquement ouverte. Nous pouvons
tous jouer avec eux et les étendre. Ils tiennent

00:03:57.470 --> 00:04:08.370
compte de différents effets tels que le masquage,
la mise en quarantaine, etc. et ce travail

00:04:08.370 --> 00:04:12.390
est en cours, ce qui est très excitant et
très important.

00:04:12.390 --> 00:04:17.269
Aujourd'hui, nous développons également
un logiciel de modèle basé sur les agents.

00:04:17.269 --> 00:04:24.460
Il n'est pas encore public, mais nous nous
dirigeons vers lui. En fait, nous mettrons

00:04:24.460 --> 00:04:26.540
un article à ce sujet dans les archives.

00:04:26.540 --> 00:04:28.449
Eh bien, les caractéristiques des modèles
basés sur les agents. Ils sont en fait le

00:04:28.449 --> 00:04:33.090
cheval de bataille de l'épidémiologie. Ils
résolvent le problème des individus. Nous

00:04:33.090 --> 00:04:40.490
parlons de la ville de Seattle, par exemple
700 000 personnes. Donc, 700 000 agents, c'est

00:04:40.490 --> 00:04:47.860
extrêmement lourd. Vous ne pouvez pas modéliser
et vous ne pouvez pas empêcher cette résolution,

00:04:47.860 --> 00:04:54.169
vous devez donc avoir des modèles réduits.
C'est ce dont je vais commencer à parler

00:04:54.169 --> 00:04:55.169
très bientôt.

00:04:55.169 --> 00:05:02.400
Les modèles graphiques sont une façon de
procéder à cette réduction de modèle à

00:05:02.400 --> 00:05:15.380
grain fin. Ils sont macroscopiques, contrairement
aux ABM, qui sont microscopiques, et sont

00:05:15.380 --> 00:05:22.850
censés être efficaces. Ils sont probabilistes,
donc ils comptent. Ils ne répondent pas aux

00:05:22.850 --> 00:05:29.400
questions par l'affirmative, mais vous donnent
des estimations de probabilités, et ils sont

00:05:29.400 --> 00:05:34.930
axés sur les données. Il y a différentes
entrées et différentes questions que vous

00:05:34.930 --> 00:05:41.479
pouvez poser, en particulier, quelle est la
probabilité d'injection d'une infection que

00:05:41.479 --> 00:05:42.789
vous avez comme menace.

00:05:42.789 --> 00:05:48.560
Je vais vous présenter une diapositive très
schématique, basée sur un article très

00:05:48.560 --> 00:05:53.800
célèbre, très connu, mais pas dans le domaine
de l'épidémiologie, dans celui de l'informatique.

00:05:53.800 --> 00:05:58.000
Cet article traite de la propagation de la
désinformation ou de l'information sur Internet.

00:05:58.000 --> 00:06:03.300
Aujourd'hui, je l'associe un peu au mouvement
épidémiologique. Imaginez que j'ai cette

00:06:03.300 --> 00:06:10.810
grille, et que chaque nœud de la grille représente
un quartier. En fait, ce voisinage est à

00:06:10.810 --> 00:06:16.970
l'instant "zéro" et le rouge est infecté.
La règle du jeu veut donc que je ne reste

00:06:16.970 --> 00:06:19.349
infecté que pendant une étape, puis que
je devienne noir. Noir signifie éliminé,

00:06:19.349 --> 00:06:25.250
et si je suis bleu, je suis susceptible d'être
infecté. Il s'agit d'un modèle probabiliste.

00:06:25.250 --> 00:06:29.320
Il se résout essentiellement par des connexions
possibles. On se retrouve avec un échantillon

00:06:29.320 --> 00:06:34.560
particulier, qui est de deux couleurs : noir
et bleu. Il s'agit d'un échantillon, ce qui

00:06:34.560 --> 00:06:38.650
signifie qu'il existe une certaine probabilité
que cela se produise en fonction de l'infection

00:06:38.650 --> 00:06:45.900
initiale. Vous voulez répondre à la question
: Quelle est la configuration la plus probable,

00:06:45.900 --> 00:06:50.300
ou quelle est la probabilité d'une infection
particulière ?

00:06:50.300 --> 00:06:59.199
C'est le cas si je cartographie la ville de
Seattle. C'est une illustration de la manière

00:06:59.199 --> 00:07:03.500
dont ce type de modèle fonctionnerait, de
sorte que les paramètres caractérisent maintenant

00:07:03.500 --> 00:07:09.360
ces probabilités d'infection entre voisins.
Il faut apprendre à extraire des données.

00:07:09.360 --> 00:07:16.680
Je mets tout cela sur le support. Je vous
montre comment j'ai commencé. Supposons que

00:07:16.680 --> 00:07:26.169
j'ai une infection ici et que c'est là que
j'aboutis. Il s'agit d'un certain nombre d'étapes,

00:07:26.169 --> 00:07:33.860
de sorte qu'une étape particulière est intermédiaire.
Vous voyez que le noir est assez répandu,

00:07:33.860 --> 00:07:39.389
mais pas uniformément, et c'est ce que nous
voulons étudier.

00:07:39.389 --> 00:07:44.990
Le modèle qui décrit cet état final est
un modèle connu du point de vue statistique,

00:07:44.990 --> 00:07:46.900
mais aussi du point de vue physique, sous
le nom de "modèle d'Ising". Ce n'est pas

00:07:46.900 --> 00:07:53.190
exactement la même chose. Il s'agit d'un
graphique qui représente la connexion entre

00:07:53.190 --> 00:07:58.770
les différents quartiers. Ces "j" représentent
les forces de l'interaction - la fréquence

00:07:58.770 --> 00:08:06.300
des déplacements et l'importance de ces déplacements.
L'âge est un biais local. Il s'agit de savoir

00:08:06.300 --> 00:08:11.030
à quel point on le protège, à quel point
on le masque, quelle est la politique, etc.

00:08:11.030 --> 00:08:13.120
Vous pouvez maintenant poser des questions
comme celles que j'ai mentionnées précédemment.

00:08:13.120 --> 00:08:15.560
Quelle est la probabilité que l'infection
se propage ? Disons que la moitié de la ville

00:08:15.560 --> 00:08:18.819
de Seattle trois [jours ?] après cette infection
initiale est fondamentalement infectée (injection

00:08:18.819 --> 00:08:22.930
de l'infection initiale). Il y a beaucoup
de questions différentes, beaucoup de conclusions

00:08:22.930 --> 00:08:27.260
que l'on peut tirer. Vous pouvez constater
que très souvent, dans cette ville densément

00:08:27.260 --> 00:08:32.740
peuplée, tout le monde est infecté ou personne
ne l'est, ce qui entraîne une transition

00:08:32.740 --> 00:08:38.700
brutale, appelée transition de phase de la
physique des masses appliquée. Vous dépendez

00:08:38.700 --> 00:08:43.310
beaucoup des données. Les données vous permettent
de calibrer votre modèle, et vous pouvez

00:08:43.310 --> 00:08:48.420
résoudre ce problème non seulement au niveau
d'une ville, mais aussi au niveau du Wisconsin.

00:08:48.420 --> 00:08:57.910
Vous pouvez aller dans le Wisconsin, par exemple,
qui est beaucoup plus rural que la côte ouest.

00:08:57.910 --> 00:09:04.200
Là encore, il s'agit de questions différentes,
mais permettez-moi de passer à ce que vous

00:09:04.200 --> 00:09:07.250
pouvez faire en matière de prévention.

00:09:07.250 --> 00:09:13.800
Vous pouvez placer ces modèles graphiques
dans ce cadre de prévention, et dans ce cadre

00:09:13.800 --> 00:09:18.600
de prévention, vous posez essentiellement
des questions telles que "comment puis-je

00:09:18.600 --> 00:09:23.410
changer ?", "comment puis-je introduire, et
si nécessaire, faire respecter le mandat

00:09:23.410 --> 00:09:27.350
de masquage si je veux peut-être limiter
le trafic ?".

00:09:27.350 --> 00:09:33.080
Pensez-y de manière un peu abstraite comme
ce polytope dans un espace de caractéristiques.

00:09:33.080 --> 00:09:39.700
Si je suis à l'intérieur de ce polytope,
je suis vert. Je suis bon. Si je suis à l'extérieur,

00:09:39.700 --> 00:09:46.260
je suis mauvais, et je dois me projeter vers
ce point. C'est le type de formulation mathématique

00:09:46.260 --> 00:09:49.670
que vous avez pour ce problème de prévention.

00:09:49.670 --> 00:09:54.760
Nous jouons avec cela. Ce qui nous intéresse
ici, c'est une méthodologie de développement.

00:09:54.760 --> 00:10:00.330
La méthodologie doit être efficace, et c'est
ce que nous testons. Donc, encore une fois,

00:10:00.330 --> 00:10:02.400
la méthodologie, mais nous voulons bien sûr
être pratiques et projeter des problèmes

00:10:02.400 --> 00:10:04.330
réels, à de vrais, par exemple, la ville
de Seattle.

00:10:04.330 --> 00:10:09.380
Il y a beaucoup de travail en cours pour le
personnel. Je vous ai parlé un peu de l'inférence,

00:10:09.380 --> 00:10:12.100
mais je ne vous ai pas beaucoup parlé de
l'apprentissage et de l'ensemble du pipeline

00:10:12.100 --> 00:10:16.529
de modélisation, des données à la haute
résolution, puis à la basse résolution.

00:10:16.529 --> 00:10:19.010
C'est ce qui nous attend.

00:10:19.010 --> 00:10:25.440
Il s'agit d'une équipe non seulement de Tucson,
mais aussi de San Diego.

00:10:25.440 --> 00:10:28.370
Je vous remercie de votre attention.

00:10:28.370 --> 00:10:32.779
Lauren Close:
Merci, Misha. C'était très bien. Je rappelle

00:10:32.779 --> 00:10:36.210
à tous les membres de l'auditoire de ne pas
oublier de poser leurs questions dans le chat

00:10:36.210 --> 00:10:42.400
ou de les conserver pour la séance de questions
et réponses qui aura lieu à la fin des présentations.

00:10:42.400 --> 00:10:47.370
Florence recueillera les questions de chacun
et nous en parlerons à la fin du webinaire

00:10:47.370 --> 00:10:52.399
d'aujourd'hui. J'aimerais maintenant souhaiter
la bienvenue à Amanda Leggett, qui nous vient

00:10:52.399 --> 00:10:54.079
de l'université du Michigan.