Replicabilité des résultats en informatique graphique

• David Coeurjolly (LIRIS CNRS)

La question de la reproductibilité et de la replicabilité des résultats traverse de nombreuses disciplines scientifiques. Il y a quelques années, la communauté de l’informatique graphique a d’abord cherché à dresser un état des lieux de ces enjeux dans son domaine. En parallèle, elle a donné naissance à une initiative internationale, le Graphics Replicability Stamp Initiative (GRSI), qui rassemble chercheurs et éditeurs autour de ces problématiques. Lors de cette présentation, je reviendrai sur ces deux aspects, en illustrant les actions collectives mises en place pour promouvoir la reproductibilité des travaux de recherche, dans ce cas spécifique de l’informatique graphique.

Analyse chimique : quand la reproductibilité masque parfois le manque de justesse

• Jérôme RANDON (LSA UCBL1)

En analyse chimique comme dans d’autres domaines scientifiques, reproduire un résultat ne garantit pas nécessairement sa validité. Cette intervention proposera de distinguer clairement les notions de justesse, fidélité, exactitude et reproductibilité à travers des exemples concrets issus de la chimie analytique. L’objectif sera de replacer la qualité métrologique et l’évaluation de l’incertitude au centre des pratiques afin de renforcer la confiance dans les données scientifiques produites.

What Reproducibility Teaches Us About Trust in Computer Science - Recipes for Reproducible Science and the Art of Scientific Time Travel

• David Hill (LIMOS UCA)

Karl Popper, one of the greatest philosophers of science of the 20th century, if not the greatest, frequently reminded us that works that cannot be reproduced are of no significance to Science. Anyone wishing to produce high-quality scientific work must ensure the numerical reproducibility of his computer science results (when it applies). For program development and debugging, we need repeatable programs (giving identical results from run to run) within the same context (hardware & software). Once the debugging is achieved by an initial team, and when results are significant enough to be published, if another team tries the same approach described in a published paper, they need to obtain the same trends & scientific conclusions. However significant differences can be observed when using high performance computing and particularly with the results of parallel stochastic simulations or artificial intelligence applications, notably when practitioners are not aware of the best practices and of the pitfalls hidden in the software stacks. Indeed, software interfaces and application programmer’s interfaces can be misleading. Even for stochastic applications, given that pseudo-random number generators are deterministic, it is possible to produce, from run to run, the same numerical results for parallel stochastic simulations and artificial intelligence applications. Several application cases are presented. A rigorous method allows us to verify parallel results with their sequential counterparts before scaling up, thus strengthening confidence in scientific results.

Analyse donnée NGS en biologie avec un gestionnaire de pipeline

• Laurent Modolo (LBMC UCBL1)

L'analyse de données de séquençage de nouvelle génération (NGS) nécessite de nombreuses étapes de traitement et d'analyse des données. Les biologistes qui analysent ces données (bio-informaticiens) utilisent des gestionnaires de pipelines pour favoriser la reproductibilité de ces analyses. Nous parlerons de la solution Nextflow utilisée sur HPC en utilisant des containers.