VoI cross-engine — Infer.NET × PyMC sur un contrat JSON commun

Tranche 3/3 de l’acceptance cross-engine #13569 (VOI / valeur de l’information). Le notebook DecInfer-06 (DecInfer/) calcule la VOI avec Infer.NET, DecPyMC-5 (PyMC/) avec PyMC — mais jamais sur le même problème au même moment avec comparaison des sorties. Ce répertoire ferme ce trou : un contrat JSON, deux adaptateurs indépendants, un comparateur qui exécute les deux et journalise l’accord/désaccord depuis leurs sorties, jamais depuis des constantes.

Structure

Élément	Rôle
`problems/forage-petrolier.json`	Problème de forage extrait de DecInfer-06 cell. 32/35 + DecPyMC-5 cell. 33 (contrôle discriminant)
`problems/forage-non-informatif.json`	Contrôle négatif : vraisemblance indépendante de l’état → EVSI = 0
`InferNetVoi/`	Adaptateur C# : Infer.NET réel (`Microsoft.ML.Probabilistic`) infère les postérieurs de chaque signal et les marginales du signal
`pymc_voi.py`	Adaptateur Python : PyMC réel échantillonne le même modèle génératif (prior predictive seedé, conditionnement empirique)
`run_comparison.py`	Runner : exécute les deux moteurs, produit la table accord/désaccord + vérifie les contrôles sur les valeurs mesurées
`tests/`	Tests pytest (contrat, comparateur, adaptateur PyMC)
`comparison.json`	Sortie du dernier run de comparaison (artefact de preuve)

Le contrat JSON

Objets imbriqués partout, aucune matrice — chaque adaptateur mappe explicitement vers sa convention interne (C# Utilities[action, state], Python U[state, action]) : l’ambiguïté d’axes ne peut pas surgir.

{
  "states": ["petrole", "pas_petrole"],
  "priors": {"petrole": 0.3, "pas_petrole": 0.7},
  "actions": ["forer", "vendre"],
  "utilities": {"forer": {"petrole": 1500000, "pas_petrole": -500000}, ...},
  "signals": ["positif", "negatif"],
  "likelihood": {"positif": {"petrole": 0.9, "pas_petrole": 0.2}, ...},
  "test_cost": 60000
}

likelihood[signal][etat] = P(signal | état). Portée : contrat binaire (2 états × 2 signaux), fidèle aux notebooks sources.

Sorties (identiques pour les deux moteurs)

eu_no_info, action_no_info, evpi, evsi_brute, evsi_nette (= brute − test_cost), decision (observer si nette > 0, sinon agir_sans_test), plus les quantités inférées (posteriors, signal_marginals) pour audit.

Tolérances (écrites, divergence rapportée sans lissage)

Quantité	Tolérance absolue	Justification mesurée
Utilités (EUR)	20 000	Infer.NET (EP exact sur Bernoulli conjugué) rend les valeurs exactes ; PyMC (200k draws, seed 42) écarte de 204 EUR sur EVSI — la tolérance couvre >10× ce bruit
Probabilités	0,01	Écart maximal observé : 0,0013 sur P(pétrole\|négatif)

Utilisation

python run_comparison.py                # exécute les deux moteurs + compare
python -m pytest tests/ -q              # tests (contrat, comparateur, PyMC)

Ce que ce répertoire n’est pas

Pas un remplacement des notebooks pédagogiques (aucun modifié — cf claim #13569) : un socle exécutable qui prouve l’accord des deux moteurs sur le même problème, réutilisable par la série pour toute évolution du contrat.

Retour au sommet