Pourquoi Knives Out est un cours de maths déguisé (et tu ne l’as pas vu.)

Tu as déjà regardé Knives Out, le thriller hollywoodien où un détective doit résoudre un meurtre dans une famille riche ? Si tu as noté des noms sur un bout de papier en te disant « c’est lui, c’est elle . », puis que tu as tout effacé après un rebondissement, alors tu as déjà utilisé sans le savoir la même méthode que les algorithmes d’intelligence artificielle.

Le personnage de Benoit Blanc, ce détective assis au piano qui observe les suspects sans poser de questions directement, applique en réalité une technique mathématique appelée inférence bayésienne. Ce n’est pas une intuition, c’est une méthode qui permet de mettre à jour ses croyances en fonction des preuves récoltées. Blanc lui-même le dit dans le film : « J’observe les faits sans biais ni du cœur ni de la tête ». Une phrase qui résume à elle seule l’esprit de l’inférence bayésienne.

COMMENT UN FILM POLICIER DEVIENT UN COURS DE MATHS

Quand Blanc commence son enquête, il liste d’abord toutes les hypothèses possibles sur la mort de Harlan Thrombey. Dans le jargon des maths, on appelle ça un modèle a priori. C’est la liste des scénarios possibles avant même d’avoir vu un seul indice. Par exemple :

• H1 : Mort naturelle
• H2 : Erreur médicale (la nurse Marta a fait une faute)
• H3 : Suicide
• H4 : Meurtre par un membre de la famille
• H5 : Meurtre par un étranger

Mais attention, ces hypothèses doivent respecter une règle d’or : elles doivent être mutuellement exclusives (un seul scénario peut être vrai) et collectivement exhaustives (tous les scénarios possibles sont couverts). Si on ajoute une sixième hypothèse comme « tenter de faire accuser quelqu’un », ça ne marche pas : cette hypothèse parle du mobile, pas de la cause directe de la mort.

POURQUOI LES PROBABILITÉS NE SONT PAS TOUJOURS ÉGALES

Au début, Blanc n’a aucune preuve. Alors, il donne la même chance à chaque hypothèse. Mais en réalité, les probabilités ne sont pas toujours égales. Par exemple, les statistiques du FBI montrent que dans la plupart des meurtres, la victime connaît son assassin. Dans le cas de Harlan, sa famille avait un mobile clair : l’héritage. Du coup, l’hypothèse H4 (meurtre par un membre de la famille) devient plus probable que les autres.

Blanc observe ensuite les contradictions dans les témoignages. Par exemple, Marta, la nurse, a un problème : elle vomit quand elle ment. Quand elle est interrogée, elle donne des réponses floues. Blanc sait déjà pour son problème. Est-ce que ça prouve qu’elle a tué Harlan ? Pas forcément. Deux hypothèses restent possibles :

• H2 : Elle a fait une erreur médicale mortelle
• H5 : Elle a tué Harlan pour une raison extérieure (par exemple, pour toucher un héritage)

Les probabilités bougent légèrement, mais pas de manière spectaculaire. On parle alors de fonction de vraisemblance : cette fonction mesure à quel point chaque hypothèse explique les indices observés. Ici, le comportement de Marta ne permet pas de trancher entre H2 et H5. Les probabilités pour H2 et H5 augmentent un peu, celles pour H1 et H3 diminuent un peu.

QUAND LES INDICES FONT CHANGER LES PROBABILITÉS

Un détail crucial : la contradiction autour de qui était à côté de Harlan pendant sa fête d’anniversaire. Linda (sa fille) dit qu’elle était là avec sa famille, mais Walt (son fils) affirme que c’était lui et sa famille. Cette incohérence ne désigne personne en particulier, mais elle jette le doute sur la crédibilité de Linda et Walt. Résultat : les probabilités pour H4 (meurtre par un membre de la famille) augmentent.

Autre indice : Joni, une autre parente, dit être venue tôt pour parler des frais de scolarité de sa fille. Mais sa fille Meg affirme que Harlan n’a jamais oublié de payer. Cette contradiction renforce encore H4. Pour l’instant, H4 reste l’hypothèse la plus probable.

Mais tout bascule quand on apprend que Harlan a légué tous ses biens à Marta. Soudain, les soupçons se tournent vers elle. Les probabilités pour H5 (meurtre par un étranger) explosent. La famille pense qu’elle a manipulé Harlan pour changer son testament. Blanc, lui, reste sceptique : il attend des preuves, pas des intuitions.

QUAND UNE HYPOTHÈSE SE DIVISE EN SOUS-HYPOTHÈSES

Blanc remarque que H5 (meurtre par un étranger) est trop large. Il peut la diviser en sous-hypothèses plus précises. Par exemple :

• H5a : Marta a tué Harlan pour l’héritage
• H5b : Un autre étranger a tué Harlan pour une autre raison

Les probabilités sont recalculées en conséquence. Marta devient la suspecte numéro un aux yeux de la famille, mais Blanc, lui, suit les indices. Et ces indices le mènent vers Ransom, le petit-fils de Harlan.

L’ARRIVÉE DE RANSOM : LE DERNIER INDICE QUI TOUT CHANGE

Pendant l’enquête, tout le monde parle d’une dispute entre Ransom et son grand-père Harlan. Ransom a quitté la fête plus tôt que prévu et n’était pas là le lendemain de la mort de Harlan. Quand le testament est lu, Ransom arrive en retard et avoue à sa famille qu’il savait qu’il était déshérité. Blanc comprend alors que Ransom avait un mobile : la colère et la vengeance.

Les probabilités sont mises à jour. H4 (meurtre par un membre de la famille) est divisée en sous-hypothèses :

• H4a : Ransom a tué Harlan
• H4b : Un autre membre de la famille a tué Harlan

Les probabilités pour H4a augmentent fortement, tandis que celles pour Marta (H5a) chutent. Blanc a maintenant assez d’éléments pour suspecter Ransom.

POURQUOI L’INFÉRENCE BAYÉSIENNE EST PLUS PUISSANTE QU’UNE SIMPLE INTUITION

L’inférence bayésienne ne se contente pas de donner une réponse. Elle pose la question la plus honnête qui soit : « Étant donné tout ce que je sais, quelle est la réponse la plus probable ? ». C’est une méthode qui s’adapte en permanence aux nouvelles preuves. Quand Marta semble coupable, les probabilités penchent vers elle. Quand Ransom arrive et qu’on découvre sa dispute avec Harlan, les probabilités basculent vers lui.

Le film révèle ensuite un dernier twist : Harlan s’est en réalité suicidé pour protéger Marta, car ils croyaient tous les deux qu’elle lui avait administré une dose mortelle de morphine. Mais Ransom, lui, a tout manigancé. Il a échangé les médicaments et gardé l’antidote pour provoquer la mort de Harlan. Résultat : Harlan est mort par suicide, mais Ransom en est indirectement responsable. L’inférence bayésienne a permis de creuser sous la surface pour trouver la vérité cachée.

CE QUE CE FILM NOUS APPREND SUR L’INTELLIGENCE ARTIFICIELLE

Les algorithmes d’IA utilisent exactement la même méthode que Blanc. Par exemple, un modèle de langage comme ceux qui alimentent les chatbots ne se contente pas de donner une réponse : il calcule la probabilité que chaque mot soit le bon, en fonction des mots précédents et des données sur lesquelles il a été entraîné. C’est comme Blanc qui met à jour ses hypothèses à chaque nouvel indice.

Cette méthode, appelée inférence bayésienne, est au cœur de nombreux Outils modernes :

• Les assistants vocaux qui comprennent tes questions
• Les algorithmes de recommandation (Netflix, Spotify)
• Les systèmes de détection de fraude bancaire
• Les outils de diagnostic médical assisté par IA

Le plus impressionnant ? Ces algorithmes ne « savent » pas tout. Ils partent d’hypothèses, puis les ajustent en fonction des données qu’ils reçoivent. Comme Blanc, ils ne se fient pas à l’intuition, mais aux preuves.

UN EXEMPLE CONCRET : COMMENT FONCTIONNE L’INFÉRENCE BAYÉSIENNE

Imaginons que tu utilises un assistant vocal pour demander la météo. L’algorithme ne sait pas à l’avance ce que tu vas dire. Il part de plusieurs hypothèses :

• H1 : Tu demandes la météo pour aujourd’hui
• H2 : Tu demandes la météo pour demain
• H3 : Tu demandes une blague
• H4 : Tu demandes une recette de cuisine

Au début, chaque hypothèse a la même probabilité. Mais quand tu dis « Quel temps fait-il aujourd’hui ? », les probabilités changent. H1 devient beaucoup plus probable, tandis que H2, H3 et H4 perdent des points. C’est exactement ce que fait Blanc avec ses hypothèses sur la mort de Harlan.

POURQUOI C’EST PLUS FIABLE QU’UNE SIMPLE DEVINETTE

Contrairement à une intuition humaine, l’inférence bayésienne est systématique. Elle ne se laisse pas influencer par des biais ou des émotions. Blanc, lui, reste neutre : il ne réagit pas à la colère de la famille ou à la sympathie qu’il pourrait éprouver pour Marta. Il suit les preuves, point par point.

C’est la même chose pour les algorithmes. Par exemple, un outil de détection de fraude bancaire ne se base pas sur « ce client a l’air suspect ». Il calcule la probabilité qu’une transaction soit frauduleuse en fonction de milliers de données : l’heure, le montant, le lieu, le comportement habituel du client, etc. Chaque nouvel indice fait évoluer cette probabilité.

LES LIMITES DE L’INFÉRENCE BAYÉSIENNE

L’inférence bayésienne n’est pas infaillible. Elle dépend de la qualité des données et des hypothèses de départ. Si Blanc avait ignoré le rapport toxicologique qui prouvait que Harlan n’était pas mort d’une overdose de morphine, il aurait pu se tromper. De même, si un algorithme d’IA est entraîné sur des données biaisées, ses prédictions seront biaisées.

Autre limite : l’inférence bayésienne ne peut pas deviner des informations qui n’existent pas. Si aucun indice ne pointe vers Ransom, Blanc (et l’algorithme) ne pourront pas le suspecter. C’est pourquoi les enquêteurs humains et les algorithmes doivent souvent combiner plusieurs méthodes pour résoudre une énigme.

COMMENT APPLIQUER ÇA DANS TA VIE QUOTIDIENNE

Tu n’as pas besoin d’être détective ou mathématicien pour utiliser l’inférence bayésienne. Voici comment l’appliquer au quotidien :

• Quand tu hésites entre deux choix : Liste les possibilités, puis note les preuves pour et contre chaque option. Mets à jour tes croyances au fur et à mesure que de nouvelles informations arrivent.
• Quand tu lis un article ou une information : Demande-toi quelles preuves soutiennent cette affirmation. Est-ce que c’est basé sur des faits ou sur une intuition ?
• Quand tu fais un choix important : Comme Blanc, sépare les émotions des preuves. Pose-toi la question : « Qu’est-ce qui est le plus probable, étant donné ce que je sais ? »

LE LIEN ENTRE KNIVES OUT ET L’INTELLIGENCE ARTIFICIELLE

Le film Knives Out est une excellente illustration de la façon dont l’intelligence artificielle résout des problèmes complexes. Les algorithmes modernes, comme les grands modèles de langage (LLM), fonctionnent de manière similaire à Blanc :

• Ils partent d’hypothèses (les mots possibles dans une phrase)
• Ils ajustent ces hypothèses en fonction des données (le contexte, les mots précédents)
• Ils éliminent les possibilités les moins probables au fur et à mesure

La différence ? Les algorithmes le font à une vitesse folle, avec des milliards de données. Blanc, lui, doit se contenter des indices visibles à l’œil nu. Mais la méthode reste la même : observer, évaluer, ajuster.

UNE MÉTHODE QUI A CHANGÉ LA SCIENCE

L’inférence bayésienne n’est pas nouvelle. Elle a été inventée au XVIII^e siècle par le mathématicien Thomas Bayes. Mais aujourd’hui, elle est au cœur de nombreuses avancées technologiques :

• La médecine : Les outils de diagnostic assisté par IA utilisent l’inférence bayésienne pour évaluer la probabilité d’une maladie en fonction des symptômes.
• La finance : Les algorithmes de trading calculent en temps réel la probabilité qu’un investissement soit rentable.
• La robotique : Les robots autonomes ajustent leurs actions en fonction des informations qu’ils reçoivent de leur environnement.
• Le machine learning : Les modèles de prédiction (comme ceux qui recommandent des vidéos ou des musiques) utilisent cette méthode pour affiner leurs suggestions.

POURQUOI TU DEVRAIS TE SOUVENIR DE BENOIT BLANC

Benoit Blanc n’est pas juste un personnage de fiction. Il incarne une méthode de pensée qui est devenue essentielle dans notre monde numérique. Que tu utilises un assistant vocal, que tu regardes une recommandation Netflix ou que tu lises une analyse de données, tu bénéficies indirectement de l’inférence bayésienne.

Le prochain fois que tu regarderas Knives Out, souviens-toi : derrière l’intrigue policière, il y a une leçon de maths qui explique comment fonctionnent les algorithmes les plus puissants du monde. Et cette leçon, c’est que la vérité n’est pas une intuition, mais une mise à jour constante de nos croyances en fonction des preuves.

EN RÉSUMÉ : CE QU’IL FAUT RETENIR

• L’inférence bayésienne est une méthode pour mettre à jour ses croyances en fonction des preuves.
• Elle est utilisée par les algorithmes d’IA pour résoudre des problèmes complexes.
• Dans Knives Out, le détective Blanc applique cette méthode sans le savoir.
• Les hypothèses doivent être mutuellement exclusives et collectivement exhaustives.
• Les probabilités changent à chaque nouvel indice, comme dans un algorithme qui s’adapte.
• Cette méthode est plus fiable qu’une simple intuition, car elle se base sur des preuves.
• Elle est utilisée dans la médecine, la finance, la robotique et bien d’autres domaines.

POUR ALLER PLUS LOIN : DES RESSOURCES SIMPLES

Si tu veux approfondir le sujet, voici quelques ressources accessibles :

• Vidéos : Cherche des tutoriels sur « l’inférence bayésienne pour les débutants ». Des chaînes comme 3Blue1Brown ou Veritasium proposent des explications visuelles.
• Livres : « Think Bayes » de Allen B. Downey est un excellent point de départ pour apprendre à coder des modèles bayésiens.
• Outils : Des bibliothèques Python comme PyMC ou Scikit-learn permettent de créer des modèles bayésiens facilement.