Rejoignez le Challenge Sobriété, un brainstorming inter-entreprises pour identifier les solutions les plus prometteuses.

jours

restants pour inscrire son entreprise

YouTube player

L’intelligence collective augmente considérablement nos capacités de prévision. En particulier quand il y a trop de variables à considérer pour un seul expert, ou trop peu de données pour informer une intelligence artificielle.

La preuve ? Avant et pendant la pandémie de Covid-19, Hypermind s’est associé au Johns Hopkins Center for Health Security pour tester à grande échelle les capacités de prévisions épidémiologiques de plusieurs centaines de professionnels experts en santé publique.

Emile Servan-Schreiber dévoile les étonnants résultats de cette expérience inédite.

  • Individuellement, les experts sont aussi bons prévisionnistes qu’un chimpanzé.
  • Mais les prévisions collectives surpassent les meilleures prévisions individuelles.
  • La réalité s’aligne sur les prévisions collectives.

Transcript :

Il est facile de se moquer de ceux qui essaient de prédire l’avenir, mais en fait, nous faisons tous de prévisions tout le temps. C’est essentiel pour nous permettre de naviguer dans un monde où l’incertitude est omniprésente. Les décisions que vous prenez, dans votre vie, pour votre entreprise ou pour votre pays, ne peuvent être intelligentes que si elles sont fondées sur des prévisions fiables.


C’est pourquoi les cerveaux humains sont câblés pour faire des prévisions en permanence. Les spécialistes des sciences cognitives, comme Yann Le Cun, l’expert en intelligence artificielle qui a co-inventé les algorithmes d’apprentissage profond, nous disent que la prévision est l’essence même de l’intelligence.

Donc, si chaque cerveau est une machine à prédire, que pensez-vous qu’il se passe lorsque plusieurs cerveaux essaient de faire des prévisions ensemble ? Ils deviennent une super machine à prédire, ou une machine à super-prévisions. C’est la promesse de ce que l’on appelle la « prévision collective » : utiliser la sagesse des foules pour prévoir l’avenir.

Aujourd’hui, la prévision collective se fait généralement de deux manières. La première méthode s’appelle un « marché prédictif ». Il s’agit essentiellement d’une plateforme de paris en ligne qui permet aux gens d’acheter et de vendre des prévisions les uns aux autres. Cela ressemble à un marché financier, mais au lieu d’échanger des actions d’entreprises, les participants échangent des prévisions qui seront avérées ou pas.

Les actions des bonnes prévisions seront payées 100 points, tandis que les actions des mauvaises prévisions n’auront aucune valeur. Il en résulte que le « prix du marché » pour une prévision mesure sa probabilité de réalisation.

La deuxième méthode est un « concours de prévision ».  Les participants sont en compétition pour évaluer justement les probabilités d’événements futurs. Alors chacun propose des probabilités, puis des algorithmes intelligents les consolident en une prévision collective.

La fiabilité des prévisions issues des deux méthodes est similaire, mais il est plus facile pour la plupart des gens de participer à des concours de prévision.

Pour apprécier la puissance de la prévision collective, il faut la voir en action. Considérez donc cette expérience de prévisions d’épidémies qui a été menée en 2019 et 2020 par le Centre pour la sécurité sanitaire de l’Université Johns Hopkins, en collaboration avec Hypermind.

L’objectif était de prévoir la sévérité d’épidémies de maladies infectieuses autour du monde. Nous avons donc recruté des centaines d’experts en santé publique, d’autres professionnels de domaines médicaux divers, mais aussi quelques parieurs champions du marché prédictif Hypermind. Au total, 70% des participants avaient une formation professionnelle dans un domaine lié à la médecine ou à la santé.

Pendant 15 mois, avant et pendant l’épidémie de COVID-19, nous leur avons demandé de prévoir la gravité des épidémies de 19 maladies infectieuses dans différents pays. Nous avons posé 61 questions avec un total de 217 réponses possibles. Ils devaient donc donner des probabilités pour 217 prévisions, dont seulement 61 se réaliseraient.

Par exemple, au début de la pandémie de COVID-19, nous leur avons demandé « Combien de pays signaleront au moins 1000 cas de COVID-19 avant avril 2020 ?« , et il y avait 4 réponses possibles : Moins de 15 | 16 à 30 | 31 à 45 | ou Au moins 46.

Nous avons ensuite mesuré l’erreur de prévision moyenne de chaque prévisionniste sur l’ensemble de la question, et voici à quoi cela ressemble. Dans ce graphique, chaque point représente le taux d’erreur d’un prévisionniste. Donc plus le point est haut, plus le prévisionniste est mauvais.

Ces prévisionnistes sont les moins bons, tandis que ceux-là sont les meilleurs. On voit que la plupart des participants ont un taux d’erreur qui se situe à peu près là. Il se trouve que c’est le niveau de performance d’un prévisionniste qui répondrait de façon aléatoire !

C’est le même taux d’erreur qu’obtiendrait un singe qui choisirait ses prévisions en lançant des fléchettes ! Sauf que ces gens ne sont pas des singes, ce sont, pour la plupart, des professionnels médicaux… Pourtant, seul un très petit nombre d’entre eux ont pu faire des prévisions nettement meilleures que celles d’un singe, et beaucoup ont fait bien pire.

Cela signifie que, individuellement, les prévisionnistes sont généralement assez mauvais. Cela s’explique par le fait que les prévisions étaient difficiles, et que personne ne disposait de toutes les informations ou de l’expertise nécessaires pour faire des prévisions justes la plupart du temps.

Cependant, si l’on calcule simplement la moyenne des prévisions de chacun, la prévision collective est nettement meilleure que celle de la plupart des individus. En fait, seuls 6 individus ont réussi à battre les prévisions de la foule. La foule est meilleure prévisionniste que 99% des individus.

De plus, lorsque l’on optimise le calcul des prévisions collectives avec quelques transformations statistiques simples, elles surpassent tous les individus : la foule est un meilleur prévisionniste que le meilleur prévisionniste de la foule.

Une autre façon de vérifier la justesse des prévisions de la foule est de demander : « combien de réponses prévues avec probabilité p étaient correctes ? »

Pour tester cela, nous avons rassemblé toutes les réponses que la foule estimait avoir, disons, 30% de chances d’être les bonnes, puis nous avons regardé combien de ces réponses étaient effectivement les bonnes. Nous avons constaté qu’environ 30 % d’entre elles étaient justes.

Nous avons examiné toutes les réponses auxquelles la foule accordait 50 % de chances d’être justes, et nous avons constaté que la moitié d’entre elles étaient correctes.

Nous avons examiné toutes les réponses auxquelles la foule accordait 80 % de chances d’être les bonnes, et nous avons constaté que 80 % d’entre elles étaient avérées.

Il y avait un alignement presque parfait entre les prévisions de la foule et la réalité, à chaque niveau de probabilité.

Ce même résultat étonnant a été constaté dans tous les domaines où l’on a testé la prévision collective.  Par exemple, lorsque Google a demandé à 1 500 employés de faire des prévisions sur son business, tels que le succès de nouveaux produits, ou les prévisions de ventes, ou lorsque Hypermind a analysé plus d’un demi-million de prévisions faites sur son marché prédictif, portant sur 400 questions géopolitiques et économiques, pendant 5 ans.

Cela ne veut pas dire que la foule peut prédire avec certitude ce qui va ou ne va pas se passer dans le futur. Seuls des êtres divins pourraient le faire (peut-être). Mais cela révèle l’incroyable capacité de l’intelligence collective à estimer très finement les véritables chances que quelque chose se produise ou ne se produise pas. Ce n’est pas tout à fait divin, mais c’est déjà très puissant.

Donc, si les prévisions sont effectivement essentielles à notre capacité de naviguer dans un monde où l’incertitude est omniprésente, la prévision collective est une ressource clé pour aider les grandes organisations, les entreprises et les nations à se gouverner aussi intelligemment que possible.


Découvrez notre étude avec le Johns Hopkins Center for Health security: https://bmcpublichealth.biomedcentral…

« Conformément au phénomène de la « sagesse des foules », nous avons constaté que les prévisions des foules agrégées à l’aide des algorithmes adaptatifs les plus performants sont bien calibrées, précises, opportunes et plus performantes que celles de tous les prévisionnistes individuels.

Les efforts de prévision par la foule dans le domaine de la santé publique peuvent être un complément utile à la surveillance traditionnelle des maladies, à la modélisation et à d’autres approches de la prise de décision fondée sur des preuves pour les épidémies de maladies infectieuses. »