L’IA surpasse les meilleurs modèles de prévision météorologiques. Quels domaines seront les prochains sur la liste ?

Atlantico : GraphCast, une IA nourrie de données météo sur 40 ans, surpasse les modèles à base de théories physiques pour donner le temps à 10 jours. Comment l'expliquer ?

La différence fondamentale avec les modèles existants est que l’IA de GraphCast a ingéré des décennies d’informations météorologiques ainsi qu’une quarantaine d’années de données provenant de satellites, de radars et de stations météorologiques. Les modèles existants reposent sur l’utilisation d’équations physiques sur des paramètres comme la pression, la température, l’humidité, ou le vent, etc., à différentes altitudes, qui servent à faire évoluer le modèle de la manière la plus « réaliste » possible. L'approche dominante en matière de prévisions météorologiques est aujourd'hui la "prévision numérique du temps" (PNT), qui consiste à résoudre les équations régissant le temps à l'aide de superordinateurs. Le succès de la PNT réside dans les pratiques de recherche rigoureuses et continues qui fournissent des descriptions de plus en plus détaillées des phénomènes météorologiques, et dans la capacité de la PNT à s'adapter à une plus grande précision avec des ressources informatiques plus importantes Avec une puissance de calcul colossale nécessitant des centaines de machines sur un supercalculateur, les prévisions à 10 jours sont établies avec de gigantesques bases de données. Cela met en jeu de très nombreux phénomènes physiques (échanges thermiques, changements d’état, rayonnement solaire, friction, mécanique des fluides,…).

Comment l’intelligence artificielle mise au point par Google DeepMind parvient-elle à surpasser les modèles météorologiques actuels en termes de précision ? 

GraphCast est une avancée clé dans les prévisions météorologiques précises et efficaces, et aide à réaliser la promesse de l'apprentissage automatique pour la modélisation de systèmes dynamiques complexes. Elle permet d'améliorer la précision des prévisions en saisissant les modèles et les échelles dans les données qui ne sont pas facilement représentées dans des équations explicites. GraphCast surpasse considérablement les systèmes déterministes opérationnels les plus précis sur 90 % des cibles de vérification de 1380, et ses prévisions soutiennent une meilleure prédiction des événements graves, y compris le suivi des températures extrêmes. Et ce au prix d’un temps de calcul ridicule : à peine une minute sur un processeur unique contre des heures de supercalculateur pour les méthodes canoniques.

GraphCast pourrait être nourrie avec des données rurales de l’agriculture ou d’anciennes catastrophes naturelles. L’envergure de ces modèles est d’être générique et de pouvoir être appliquée à de nombreux sujets verticaux.