Un mathématicien russe nommé Andreï Markov a prouvé en 1906 que vous n'avez pas besoin de savoir d'où vient quelque chose pour prédire où cela ira ensuite.
Il étudiait la poésie à l'époque. Plus précisément, il analysait la séquence de voyelles et de consonnes dans le roman en vers de Pouchkine, comptant manuellement les transitions à travers des milliers de caractères, à la recherche d'un schéma dans la manière dont une lettre prédisait la suivante.
Ce qu'il a découvert est devenu l'une des idées les plus discrètement puissantes de toutes les mathématiques. Et elle est présente dans chaque prévision météorologique, chaque recherche Google, chaque recommandation Netflix, et chaque grand modèle de langage jamais construit, en attendant que quelqu'un l'explique dans un langage clair.
Voici le cadre qui a changé ma façon de penser la prédiction.
La plupart des gens supposent que pour prédire quelque chose, vous avez besoin de l'histoire. Du tableau complet. De tout ce qui a mené à cet instant. Si vous voulez savoir ce que fera le marché boursier demain, vous pensez devoir comprendre tout ce qu'il a fait au cours de la dernière décennie.
Markov a montré que cela n'est presque jamais vrai.
Son insight était le suivant : pour une immense classe de systèmes du monde réel, l'état actuel contient toutes les informations dont vous avez besoin pour prédire l'état suivant. Le passé est déjà intégré à l'endroit où vous êtes en ce moment. Vous n'avez pas besoin de le porter explicitement vers l'avant, parce qu'il est déjà là.
Il a appelé cela la propriété de Markov. Et les systèmes qu'elle décrit sont appelés chaînes de Markov.
Un mécanisme plus simple qu'il n'y paraît
Imaginez que vous suivez la météo. Il fait soit Ensoleillé, soit Pluvieux, un jour donné. Vous observez sur de nombreuses années que quand il fait Ensoleillé, il y a 90% de chances que demain soit aussi Ensoleillé et 10% de chances que cela tourne à Pluvieux. Quand il fait Pluvieux, il y a 50% de chances que cela reste Pluvieux et 50% de chances que le soleil revienne.
Ces quatre chiffres constituent votre modèle entier. Cette grille de probabilités de transition est la chaîne de Markov.
Maintenant, quelqu'un vous demande : il fait Ensoleillé aujourd'hui, quelle est la probabilité que cela soit Ensoleillé dans trois jours ? Vous n'avez pas besoin d'intuition. Vous n'avez pas besoin d'expertise. Vous multipliez les probabilités de transition à travers chaque étape et la réponse tombe exactement. La chaîne fait le travail de réflexion.
Ce que la plupart des gens manquent
La partie que la plupart des gens manquent est ce qui se passe quand vous faites tourner une chaîne de Markov assez longtemps. Presque toutes les chaînes de Markov bien comportées convergent vers ce que les mathématiciens appellent une distribution stationnaire. Peu importe d'où vous partez. Après assez d'étapes, le système se stabilise dans un schéma de probabilités stable qu'il retrouve encore et encore, indépendamment des conditions initiales.
Les mêmes mathématiques sous-tendent la façon dont le clavier de votre téléphone prédit votre prochain mot. Dont Spotify décide quelle chanson joue après celle-ci. Dont les épidémiologistes modélisent la propagation d'une maladie à travers une population. Dont les économistes simulent les mouvements des gens entre emplois et chômage. Dont les physiciens décrivent les particules changeant d'états d'énergie.
Tout cela est la même idée habillée différemment.
Une erreur utile
Le pouvoir contre-intuitif des chaînes de Markov est qu'elles se trompent sur la mémoire d'une manière qui s'avère utile. Les systèmes réels ont une mémoire. La météo de demain est influencée par plus que seulement celle d'aujourd'hui. Votre prochain mot est influencé par plus que seulement le dernier. L'hypothèse de Markov est techniquement fausse pour presque tous les systèmes naturels.
Et pourtant. L'approximation est assez bonne pour être extraordinairement utile, parce que la plus grande partie de l'information prédictive dans une séquence est concentrée dans l'état le plus récent. Ajouter une histoire plus ancienne vous donne des rendements décroissants. À un moment donné, vous portez toute cette histoire coûteuse pour presque aucune amélioration de la précision.
Les chaînes de Markov sont la formalisation mathématique d'une idée profondément pratique : vous pouvez souvent prédire l'avenir avec une précision surprenante en vous contentant de prêter une attention soutenue à l'instant présent.