Google DeepMind utilise des modèles d’intelligence artificielle pour prévoir la trajectoire et l’intensité des ouragans avant qu’ils n’atteignent les côtes, dans le but de réduire le temps de calcul et d’améliorer la précision des alertes destinées aux populations et aux services d’urgence. L’entreprise affirme que les modèles WeatherNext ont été entraînés sur 50 années de données météorologiques historiques et peuvent fonctionner sur un seul processeur TPU, au lieu de l’infrastructure informatique massive utilisée par les modèles traditionnels.
Cette information a été communiquée lors d’un entretien avec Ferran Alet, chercheur chez Google DeepMind ayant participé au développement des modèles WeatherNext. Alet explique que les termes cyclone, hurricane et typhoon désignent scientifiquement le même phénomène, la dénomination variant selon la région géographique.
De la simulation physique aux prévisions assistées par l’intelligence artificielle
Historiquement, les prévisions des ouragans reposaient sur des modèles physiques simulant les lois de la dynamique des fluides à partir de données provenant de capteurs du monde entier. Ce processus nécessitait des superordinateurs de la taille de conteneurs maritimes ou de bâtiments de plusieurs étages, tandis que les données disponibles pouvaient être incomplètes ou bruitées. Selon Google DeepMind, l’amélioration de la précision des prévisions équivalait environ à un jour supplémentaire par décennie, grâce au perfectionnement des modèles, à l’augmentation du nombre de satellites et à l’accroissement de la puissance de calcul.
WeatherNext ajoute une couche d’intelligence artificielle qui apprend les tendances à partir des données passées et actuelles afin de contribuer à l’estimation de l’avenir. L’entreprise affirme que cette approche a permis un bond équivalent à ce qui aurait dû être réalisé en une décennie de progrès, au sein d’une seule génération de modèles. Elle indique également une amélioration des prévisions concernant à la fois l’endroit où l’ouragan atteindra les terres et son intensité au moment de son arrivée.
Qu’est-ce qui change concrètement ?
Les agences météorologiques étudient la possibilité de porter l’horizon des prévisions publiques de cinq à sept jours. Cette journée supplémentaire pourrait donner aux autorités et aux populations davantage de temps pour se préparer, sans pour autant supprimer la nécessité des modèles physiques ni de l’examen humain par des experts météorologues.
Google DeepMind cite l’ouragan Melissa comme exemple de la valeur d’une alerte précoce. Selon l’entretien, l’entreprise a soutenu le National Hurricane Center avant la saison des ouragans, et les prévisions d’intelligence artificielle à haut niveau de confiance ont contribué à l’émission d’une alerte concernant l’intensification rapide d’un ouragan qui semblait initialement être de catégorie 1 avant d’atteindre la catégorie 5. Elle affirme également que les autorités jamaïcaines ont bénéficié d’une journée supplémentaire pour leurs préparatifs d’urgence.
Mettre les modèles à la disposition des chercheurs
Google DeepMind a annoncé la mise à disposition en open source des modèles WeatherNext 2 et des modèles WeatherNext consacrés aux ouragans, ainsi que du site interactif Weather Lab. Cette mise à disposition vise à permettre aux universitaires et aux scientifiques d’expérimenter les modèles et de mener de nouvelles recherches sur les prévisions des phénomènes météorologiques extrêmes.
L’analyse de certi.news
Le changement le plus important ici n’est pas simplement l’utilisation de l’intelligence artificielle en météorologie, mais la réduction des exigences opérationnelles annoncées, qui passent de superordinateurs à un seul processeur, avec la possibilité de mettre les modèles à la disposition de la recherche scientifique. Cela pourrait élargir le cercle des organismes capables de tester les prévisions des ouragans, mais la source est une présentation de Google DeepMind et cet article ne fournit pas de résultats de comparaison indépendants ni de détails quantitatifs sur l’ampleur de l’amélioration de la précision. L’efficacité pratique de WeatherNext, notamment face à des données incomplètes ou à des tempêtes évoluant rapidement, reste donc une question qui doit être évaluée par des agences météorologiques et des chercheurs indépendants.