Une nouvelle IA bat les modèles météorologiques traditionnels
Avec sa nouvelle IA météorologique GraphCast, Google DeepMind ne fait pas seulement sensation auprès des météorologues. Elle dépasse en partie les modèles météorologiques les plus performants - et ce avec une efficacité impressionnante. L'IA remplacera-t-elle bientôt les prévisions météorologiques classiques ?
Récemment, des chercheurs de Google DeepMind ont présenté dans une étude publiée dans le journal "Science" une nouvelle IA météorologique appelée GraphCast. Selon eux, elle est capable de calculer des prévisions à 10 jours de très haute qualité, et ce avec une efficacité remarquable. Même selon l'évaluation des experts du Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT), GraphCast est capable de mieux prévoir des variables telles que la température et les précipitations que le meilleur modèle météorologique du CEPMMT (IFS HRES) dans jusqu'à 90% des cas. De même, la prévision des trajectoires des cyclones tropicaux est souvent possible plusieurs jours à l'avance par rapport aux modèles météorologiques classiques.
De plus, GraphCast atteint une efficacité supérieure de plusieurs ordres de grandeur, car l'IA de Google a besoin de beaucoup moins de puissance de calcul et fonctionne même, selon Google, sur un seul processeur. Et pourtant, elle fournit des résultats mille fois plus rapidement - une amélioration remarquable. Les chercheurs considèrent cela comme un tournant pour les prévisions météorologiques.
Les méthodes utilisées jusqu'à présent sont extrêmement coûteuses
Les modèles météorologiques numériques classiques sont généralement exécutés dans d'immenses centres de calcul sur des superordinateurs coûteux et énergivores et nécessitent souvent plusieurs heures par calcul en raison de leur grande complexité. Une telle amélioration à l'aide de l'IA, comme celle de GraphCast, peut donc signifier une énorme économie de coûts.
L'amélioration des modèles numériques en eux-mêmes consomme également des ressources gigantesques et occupe de nombreux champs de recherche différents en météorologie et dans d'autres sciences naturelles. Il est certes très improbable que la recherche fondamentale elle-même perde de son importance, car elle est également essentielle à l'interprétation et à la compréhension des modèles et des prévisions. Toutefois, l'utilisation de modèles d'IA peut probablement conduire à une meilleure utilisation des ressources disponibles, notamment en ce qui concerne le processus d'optimisation complexe et coûteux des modèles météorologiques classiques.
Comment fonctionne l'IA au juste ?
L'intelligence artificielle désigne généralement des algorithmes qui utilisent ce que l'on appelle des réseaux neuronaux. Ceux-ci se composent de nombreux "nœuds" qui, à l'instar des cellules nerveuses du cerveau humain, forment un réseau très ramifié. Au début, les connexions de ces nœuds sont toutes équivalentes, mais elles sont modifiées ou pondérées par l'entraînement à l'aide de jeux de données d'exemple. Un réseau neuronal est ainsi entraîné à reconnaître des modèles dans de grands ensembles de données et à classer ensuite par exemple des données d'entrée ou à en déduire des pronostics. Après l'entraînement, l'IA peut ensuite être lâchée sur d'autres données et, en fonction de l'objectif, obtenir les connaissances souhaitées à partir de ces données. En principe, il est également possible de procéder de la même manière avec les données météorologiques.
Les prévisions météorologiques classiques se basent en revanche sur des modèles mathématiques et physiques améliorés au fil des décennies, qui calculent une prévision à partir d'un ensemble de données initial au moyen de formules de calcul très complexes. Pour des raisons physiques, nombre de ces formules ne peuvent toutefois être déterminées et appliquées que de manière approximative. Plus un modèle ou un pronostic doit être précis et résolu (dans l'espace et dans le temps), plus les ressources nécessaires dans les différents centres de calcul sont importantes. Grâce à son approche totalement différente, l'IA parvient à contourner partiellement ce problème.
Les faiblesses de l'approche de l'IA
L'approche totalement différente de la technologie de l'IA s'accompagne toutefois de problèmes. Et l'IA n'est pas dans tous les cas supérieure aux modèles météorologiques actuels. Par exemple, dans le cas de l'ouragan "Otis", apparu récemment de manière très soudaine et surprenante au large du Mexique, qui a connu une intensification extrême avant de frapper la côte mexicaine près d'Acapulco avec une force destructrice imprévue. Dans ce cas, GraphCast n'a pas pu démontrer sa supériorité par rapport aux modèles météorologiques traditionnels, à l'instar de certaines tempêtes survenues récemment en Europe centrale.
Cela pourrait s'expliquer par le fait que l'IA, par nature, ne peut être entraînée qu'avec des données météorologiques historiques. À l'heure où le changement climatique s'accélère et où des changements fondamentaux du système climatique sont imminents ou déjà en cours, cela pourrait constituer une faiblesse déterminante. Les nouvelles évolutions dues au changement climatique pourraient ainsi être sous-estimées ou totalement mal évaluées par l'IA.
L'IA peut-elle remplacer les prévisions météorologiques classiques ?
Dans une étude qu'ils ont publiée, des chercheurs du Jülich Supercomputing Centre ont estimé qu'il était théoriquement envisageable, dès 2021, que les prévisions météorologiques classiques basées sur des modèles météorologiques numériques soient un jour entièrement remplacées par des approches IA. Mais pour cela, des percées technologiques majeures seraient nécessaires, notamment l'intégration des lois physiques décisives dans les algorithmes d'IA. Cela permettrait de combiner les points forts des prévisions météorologiques classiques avec ceux de l'IA et de remédier aux faiblesses actuelles de l'IA.
Jusqu'à présent, l'IA ne peut en tout cas que compléter les modèles numériques classiques ou remplacer certaines parties du flux de travail classique. Jusqu'à ce que l'IA puisse prendre complètement le relais en matière de prévisions météorologiques, l'intelligence humaine doit d'abord encore réaliser quelques prouesses dans ce domaine. Les chercheurs de Google eux-mêmes ne voient pour l'instant leur travail que comme un complément aux modèles existants. L'IA n'est donc pas encore une panacée pour les problèmes actuels de prévision météorologique, mais la vitesse de développement est considérable.
Source: www.ntv.de
