Autrefois, seules les grandes sociétés financières pouvaient se permettre d’utiliser les modèles de prévision. Les hedge funds et les crypto trading desks ont été parmi les premiers à investir dans cette technologie, en alimentant d’énormes quantités de données de marché dans des systèmes d’IA capables de détecter des tendances beaucoup plus rapidement que n’importe quel analyste humain. Les coûts du matériel étaient incroyablement élevés et la plupart des technologies restaient confinées au sein d’équipes de recherche privées dotées d’énormes budgets.
Cela a changé rapidement au cours des deux dernières années. En 2024 et 2025, les modèles open source se sont beaucoup améliorés, les coûts des GPU ont commencé à baisser et les outils sont devenus beaucoup plus faciles d'accès. Désormais, même les petites équipes ou les développeurs indépendants peuvent créer des systèmes de prévision solides en quelques jours. Il apparaît dans les applications météorologiques, les analyses sportives, les logiciels hospitaliers, les systèmes de gestion de l’énergie et les produits de consommation qui n’auraient pas existé il y a quelques années.
Ce qui rend ce changement intéressant, c’est que la prévision a été l’une des dernières parties de l’IA à rester principalement dans le domaine de la finance. Les générateurs d’images et les chatbots sont devenus courants bien plus tôt, mais les modèles de prédiction en temps réel pour les données désordonnées étaient encore considérés comme quelque chose que seules les équipes quantitatives pouvaient gérer. La montée en puissance de modèles de transformateurs qui fonctionnent bien avec les données de séries chronologiques, de meilleurs outils de test et une confiance croissante dans la prise de décision assistée par l’IA ont changé la donne.
Ce croisement se produit déjà dans l’analyse des paris sportifs. Certaines plateformes de vente au détail proposent désormais des tableaux de bord de probabilités qui ressemblent davantage à des terminaux de trading qu'à des sites de paris traditionnels. Shurzy, par exemple, un fournisseur d'outils de paris basés sur l'IA, regroupe les cotes en direct, les signaux d'efficacité du marché et les scores de pointe dérivés du modèle dans un flux de travail unique qui ressemble plus à un écran de trading léger qu'à un site de pronostiqueurs traditionnel. Ce qui est intéressant, c’est que les systèmes derrière ces plateformes, notamment les calculs de valeur attendue, les modèles d’étalonnage, les backtests et le suivi des signaux, ressemblent beaucoup aux outils utilisés dans le trading de cryptomonnaies. Il s’agit d’un bon exemple de la manière dont la technologie de prédiction s’étend bien au-delà de la finance.
Sports Analytics : le crossover le plus visible
Le sport pourrait en fait être l’endroit le plus facile pour voir les systèmes de prédiction se généraliser. Il y a tellement de données en direct disponibles actuellement : statistiques de match, mouvements des joueurs, actualités sur les blessures, cotes des paris, fluctuations de l'élan. Les informations ne cessent jamais vraiment de se mettre à jour, ce qui fait du sport un très bon environnement pour les modèles d'IA.
De nombreuses entreprises travaillant dans le domaine de l’analyse sportive utilisent désormais des systèmes qui semblent étonnamment proches des outils utilisés dans le trading de crypto-monnaies. Stats Perform et Genius Sports en sont de bons exemples. Leurs modèles traitent les données de match en direct en temps réel et tentent de détecter des modèles qu'il serait difficile pour les humains de suivre de manière cohérente au cours d'un match. Et honnêtement, certaines interfaces ressemblent à peine aux applications sportives traditionnelles. Les fans voient désormais les estimations de probabilité, les mesures de valeur attendue et les projections en direct directement pendant les diffusions ou sur les plateformes de paris.
La météo, le climat et le boom des modèles de base
Pendant longtemps, les prévisions météorologiques ont été considérées comme l’un des rares domaines dans lesquels les simulations physiques traditionnelles présentaient encore un avantage majeur sur l’apprentissage automatique. Les systèmes de prévision dépendaient de supercalculateurs massifs, de décennies de recherche et de modèles hautement spécialisés avec lesquels la plupart des startups ne pouvaient tout simplement pas rivaliser.
Cela a commencé à changer en 2023 lorsque des systèmes comme GraphCast ont prouvé que les modèles d’IA fonctionnant sur un matériel beaucoup plus petit pouvaient produire des prévisions qui correspondaient, voire surpassaient, certains systèmes traditionnels, à un coût bien inférieur. Les mêmes techniques développées pour les prévisions financières fonctionnent également sur les données météorologiques, car toutes deux impliquent de vastes flux d'informations en constante évolution où les modèles comptent plus que les événements isolés. Des secteurs comme l’agriculture, le transport maritime et la logistique dépendent fortement de prévisions précises. De meilleurs outils ont donc une valeur bien au-delà des laboratoires de recherche.
Triage des soins de santé et aide à la décision clinique
Les hôpitaux ont été beaucoup plus lents à adopter les prévisions par apprentissage automatique en raison de l’ampleur des enjeux. Une mauvaise prédiction dans le domaine des soins de santé peut affecter directement le plan de traitement d’un patient, c’est pourquoi les régulateurs et les cliniciens ont toujours été prudents quant à une trop grande dépendance aux systèmes d’IA.
Cette attitude commence à changer à mesure que les modèles de prévision deviennent plus fiables et plus transparents. Les chercheurs ont passé des années à améliorer les méthodes d’étalonnage et les mesures d’incertitude afin que les médecins puissent mieux comprendre le niveau de confiance réel d’un système. Au lieu de prétendre avoir toujours la bonne réponse, les modèles les plus récents sont conçus pour montrer où existe l’incertitude.
Des entreprises comme Epic et plusieurs startups du secteur de la santé utilisent des systèmes de prédiction qui surveillent les dossiers des patients toutes les quelques minutes. Ces outils peuvent aider à détecter des risques tels que la septicémie, la détérioration du patient ou d’éventuelles réadmissions à l’hôpital avant que les symptômes ne s’aggravent, et ils fournissent des plages de probabilité au lieu d’une réponse fixe.
Les lecteurs curieux de connaître les mécanismes plus larges peuvent étudier les mécanismes du trading de crypto-IA sur Coinpedia, qui explique comment des modèles similaires traitent des données très volatiles et les transforment en signaux de trading utilisables. Une grande partie de la même logique utilisée dans les prévisions cryptographiques apparaît également dans les systèmes de prévision des soins de santé, en particulier lorsqu'il s'agit de mesurer la confiance et de gérer l'incertitude.
Les laboratoires de recherche introduisent la technologie de prédiction dans le sport
Les grands laboratoires de recherche en IA ne se concentrent plus uniquement sur leurs domaines d’origine. Une grande partie de la technologie de prédiction conçue pour la science et l’informatique avancée se répand désormais beaucoup plus rapidement qu’auparavant dans des secteurs tels que le sport, le commerce et les applications grand public.
Un bon exemple est l'assistant TacticAI de DeepMind pour les tactiques de football, un système conçu pour suggérer des ajustements de corner en prédisant comment les joueurs sont susceptibles de réagir aux changements tactiques au cours d'un match. Sous le capot, le système utilise des modèles géométriques avancés d’apprentissage profond qui suivent les relations entre les joueurs et les schémas de mouvement sur le terrain.
Les spécialistes de la cryptographie et du trading peuvent apprécier à quel point la logique ressemble aux systèmes de prédiction du marché. Les deux tentent de modéliser de grands groupes d’agents en interaction constante dans des environnements bruyants et en évolution rapide. Sur les marchés de la cryptographie, ces agents sont des traders et des flux de liquidités. Dans le football, ce sont des joueurs qui réagissent en temps réel aux changements de positionnement et de stratégie.
Les grandes questions que la prédiction de l’IA doit encore résoudre
À mesure que les systèmes de prédiction se répandent dans un plus grand nombre d’industries, quelques défis majeurs deviennent impossibles à ignorer :
-Propriété : les modèles d'IA sont désormais formés sur d'énormes quantités d'informations publiques et privées, notamment les dossiers de santé, les données sportives et le contenu en ligne récupéré. Cela entraînera probablement de plus grandes batailles juridiques pour savoir qui possède les données et qui sera payé lorsque les modèles les utiliseront.
-Transparence : les gens ne feront pas confiance à un système s'ils ne peuvent pas comprendre pourquoi il a fait une certaine prédiction. Les médecins, les opérateurs énergétiques et même les analystes sportifs veulent généralement plus qu’une simple réponse. Ils veulent un contexte derrière la prédiction elle-même.
-Vérification : à mesure que les systèmes de prévision deviennent plus puissants, la pression s'accentuera pour prouver que les modèles sont fiables et n'ont pas été manipulés. C’est l’une des raisons pour lesquelles les concepts de cryptographie, notamment les preuves de connaissance nulle et les calculs vérifiables, commencent à attirer davantage d’attention en dehors du monde de la cryptographie.
Celui qui résoudra ces problèmes pourrait finir par façonner la prochaine génération de logiciels grand public et parachever l’intégration de ces modèles dans la vie quotidienne.
Voir l’article original en anglais
