Créez votre compte Charmloop gratuit — sans carte bancaire, navigation illimitée. Lancez-vous dans l’art IA en quelques minutes.
Choisissez un compagnon et découvrez son avis sur cette histoire
Le modèle open source WeatherNext de DeepMind a prolongé d'environ une journée complète les prévisions précises de trajectoire des ouragans par rapport aux systèmes traditionnels de prévision numérique du temps — un résultat qui a genuinement surpris les météorologues professionnels.
La prévision numérique du temps conventionnelle fonctionne en résolvant des équations physiques sur une grille dense de points de données atmosphériques. Elle est coûteuse en calcul et nécessite des données d'entrée à haute résolution pour maintenir la précision sur des plages de prévision étendues. WeatherNext, en revanche, est un modèle d'apprentissage automatique entraîné sur des archives météorologiques historiques. Selon Ars Technica, le modèle peut produire des prévisions de trajectoire d'ouragans compétitives à partir de données d'entrée plus grossières — un avantage pratique significatif lorsque les données d'observation à haute résolution ne sont pas disponibles en temps réel au-dessus de l'océan ouvert.
Le gain d'une journée n'est pas une erreur d'arrondi. Dans la prévision des ouragans, 24 heures de délai d'alerte fiable supplémentaire représentent la différence entre une évacuation côtière ordonnée et une évacuation chaotique. Les gestionnaires des situations d'urgence ont généralement besoin de 72 heures d'alerte pour déplacer les populations vulnérables ; repousser la fenêtre de prévision fiable de, disons, cinq jours à six jours change matériellement ce qui est opérationnellement possible.
La communauté des sciences météorologiques a observé l'amélioration régulière des modèles de prévision IA au cours des dernières années — GraphCast de Google, Pangu-Weather de Huawei et FourCastNet de NVIDIA ont tous démontré que l'apprentissage automatique pouvait égaler ou approcher les modèles opérationnels sur les métriques standard. Mais égaler est différent de surpasser, et surpasser sur une métrique à enjeux élevés comme la trajectoire des ouragans à longue portée constitue une catégorie de résultat différente. La surprise des prévisionnistes professionnels, et pas seulement des laboratoires d'IA, signale que WeatherNext a franchi un seuil que beaucoup dans le domaine n'attendaient pas si tôt.
Être open source amplifie l'impact. Les agences météorologiques nationales, les groupes de recherche universitaires et les prévisionnistes indépendants peuvent télécharger, auditer et s'appuyer sur le modèle — ce qui n'est pas possible avec les systèmes météorologiques IA commerciaux propriétaires. Cette ouverture signifie également que la communauté scientifique peut soumettre les résultats à des tests de résistance plutôt que d'accepter les chiffres de référence de DeepMind sur parole.
Le fait que WeatherNext fonctionne bien sur des données à basse résolution a une implication opérationnelle spécifique : il peut produire des prévisions utiles dans des environnements pauvres en données, notamment en début de vie d'une tempête lorsque la couverture satellitaire et par dropsondes est limitée. Les modèles traditionnels se dégradent plus fortement lorsque leurs grilles d'entrée sont grossières. Un modèle qui reste précis sur des données plus bruitées est plus robuste précisément dans les conditions où la qualité des prévisions est la plus importante.
C'est aussi une question de calcul. Des données d'entrée à résolution inférieure signifient une inférence plus rapide et des exécutions moins coûteuses, ce qui importe pour les agences qui doivent effectuer des prévisions d'ensemble — des dizaines ou des centaines d'exécutions du modèle avec des conditions initiales légèrement variées — afin d'estimer l'incertitude des prévisions. Des coûts par exécution moins élevés rendent les ensembles plus grands réalisables, ce qui améliore les orientations probabilistes.
WeatherNext s'inscrit dans un schéma chez DeepMind consistant à appliquer l'apprentissage automatique à grande échelle à des problèmes de prédiction scientifique difficiles — AlphaFold pour la structure des protéines, AlphaTensor pour la multiplication matricielle, et maintenant la météo à l'échelle opérationnelle. La promotion de Demis Hassabis au poste de Chief Scientist d'Alphabet, rapportée plus tôt cette année, signale que ce type de travail en science appliquée est au cœur de la stratégie IA à long terme de Google, et non un projet secondaire.
Pour l'instant, le résultat de WeatherNext sur les ouragans est la démonstration la plus concrète à ce jour que les modèles météorologiques IA ne font pas que rattraper les systèmes basés sur la physique — ils commencent à les dépasser sur les métriques qui ont de véritables conséquences humaines. Le prochain test est de savoir si les agences opérationnelles intègrent le modèle dans leurs pipelines de prévision officiels, ou s'il reste un référentiel de recherche. Cette décision est susceptible d'arriver plus vite que la plupart des météorologues ne l'attendaient.
