Google révolutionne les prévisions météo grâce à l’IA -

20 novembre 2023
fleetinfo
Technologie

Google Deepmind a trouvé le moyen de révolutionner le monde des prévisions météorologiques. Pour améliorer les prédictions, la filiale s’appuie sur GraphCast, un modèle d’IA qui se nourrit d’une montagne de données. L’algorithme est plus fiable, précis et rapide que les systèmes traditionnels.

DeepMind, la filiale de Google entièrement consacrée à l’intelligence artificielle, a développé un nouveau programme destiné à prédire la météo. Baptisé GraphCast, le logiciel s’appuie sur l’IA pour proposer des prévisions météorologiques plus fiables que les modèles prédictifs traditionnels. L’intelligence artificielle a été testée pendant les six derniers mois. Les chercheurs de Deepmind ont longuement détaillé le fonctionnement et les performances de GraphCast dans la revue Science et dans un communiqué sur le site de Google.

Selon Deepmind, le modèle d’IA est capable de prédire « les conditions météorologiques jusqu’à 10 jours à l’avance avec plus de précision et beaucoup plus rapidement que le système de simulation météorologique standard de l’industrie ». GraphCast est notamment parvenu à prévoir l’endroit exact où l’ouragan Lee, qui a touché le Canada et les États-Unis en septembre, devait frapper avec neuf jours d’avance. Les outils traditionnels des météorologues n’ont rien vu venir avant six jours. L’algorithme a également pu déterminer la vitesse et la trajectoire de l’ouragan.

Une météo plus fiable

Dans 90 % des situations étudiées par les chercheurs de Deepmind, le modèle s’est montré plus fiable que les systèmes habituels. Par ailleurs, GraphCast est bien plus rapide. Il suffit en effet d’une minute pour recevoir des prévisions météorologiques.

Enfin, l’IA peut tourner sur un ordinateur lambda. Il n’y a pas besoin d’investir dans une machine offrant une immense puissance de calcul pour obtenir des prévisions de la part de GraphCast. Le modèle nécessite une fraction de la puissance de calcul des méthodes de prévision traditionnelles. Celles-ci ont d’ailleurs besoin d’un réseau de supercalculateurs pour fonctionner.

« L’avantage principal de cette approche par l’intelligence artificielle, c’est qu’elle est extrêmement précise. Elle s’abreuve de décennies de données », fait valoir Remy Lam, l’un des chercheurs de Deepmind à l’origine de la création de GraphCast, interrogé par la BBC.

L’importance des données

Le chercheur ajoute que les modèles habituels ne vont pas tout à coup être supplantés par l’IA. La solution de Deepmind est surtout pensée comme un complément aux méthodes classiques. En effet, GraphCast s’appuie sur les montagnes de données collectées par les modèles habituelles auprès des stations météorologiques, des satellites, des ballons dans l’atmosphère, des bouées dans l’océan et des avions. L’IA n’intervient que dans un second temps pour « sélectionner celles qui seront les plus importantes ». Pour fournir une seule prévision, GraphCast a besoin d’environ 10 millions de mesures météo.

« Les modèles d’IA sont formés à partir de données et ces données sont générées par des approches traditionnelles, nous avons donc encore besoin de l’approche traditionnelle pour recueillir des données afin de former le modèle », résume Remy Lam.

Une fois les données collectées, le modèle va utiliser le machine learning, un domaine d’expertise de l’intelligence artificielle. Il permet à des programmes informatiques de se développer, à apprendre et à s’ajuster de manière autonome, sans intervention humaine. Les seuls éléments nécessaires pour les algorithmes sont d’importantes quantités de données. L’IA se base aussi sur 40 ans de données météo pour affiner ses estimations. Comme l’explique Xavier Fettweis,professeur en climatologie à nos confrères de la RTB, GraphCast s’appuie un peu sur le passé pour prédire l’avenir :

« Cette IA est basée sur une vieille technique de prévisions météorologiques dites “des analogues”. Le concept est simple : retrouver des configurations atmosphériques similaires dans le passé pour en faire des prévisions bien actuelles. Jusqu’ici, cette manière de faire demandait des ressources humaines importantes (car pas automatisable et devant être adaptée pour chaque région ou variable météo étudiée), ce qui n’est plus le cas avec l’IA évidemment ».