Le modèle d'apprentissage automatique de Google DeepMind, GraphCast, a battu de loin les méthodes traditionnelles de prévision météorologique lors des premiers tests.
Prévoir le temps avec précision est une tâche difficile qui devient exponentiellement complexe au fur et à mesure que le nombre de jours à prévoir augmente.
C'est pourquoi les organisations météorologiques s'appuient sur les superordinateurs les plus puissants du monde pour élaborer les algorithmes prédictifs complexes qui nous permettent de savoir s'il pleuvra demain ou non.
Le modèle IFS (Integrated Forecasting System) utilisé par le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) est considéré comme le modèle météorologique européen le plus précis. Et GraphCast vient de le battre de loin.
GraphCast a été en mesure de prévoir le temps 10 jours à l'avance plus rapidement et plus précisément que le CEPMMT dans plus de 90% sur 1 380 objectifs de vérification.
Savoir si l'on doit emporter son parapluie au travail est pratique, mais c'est en prévoyant avec précision les événements météorologiques extrêmes que GraphCast pourrait avoir un impact significatif.
En septembre, alors que l'ouragan Lee était à 9 jours de toucher terre, les services météorologiques travaillaient d'arrache-pied pour prédire quelle ville serait la plus touchée par la tempête.
Le modèle IFS prévoit que l'ouragan touchera certaines villes du nord-est ou les manquera complètement. GraphCast a quant à lui prédit que l'ouragan Lee toucherait la Nouvelle-Écosse.
Ce n'est que trois jours plus tard que l'IFS est parvenu à la même conclusion, qui s'est finalement avérée exacte. Imaginez l'amélioration du déploiement des ressources et des services d'urgence que ces trois jours supplémentaires permettraient d'obtenir.
Pushmeet Kohli, vice-président de la recherche chez Google DeepMind, a déclaré : "La prévision météorologique est l'un des problèmes les plus difficiles sur lesquels l'humanité travaille depuis très longtemps. Et si vous regardez ce qui s'est passé ces dernières années avec le changement climatique, il s'agit d'un problème incroyablement important."
Présentation de GraphCast : notre modèle d'IA de pointe fournissant des prévisions météorologiques à 10 jours avec une précision sans précédent en moins d'une minute. 🌦️
Il peut même aider à prédire les trajectoires potentielles des cyclones à plus long terme.
Voici comment cela fonctionne. 🧵 https://t.co/ygughpkdeP pic.twitter.com/0Y6DyBXDow
- Google DeepMind (@GoogleDeepMind) 14 novembre 2023
Comment cela fonctionne-t-il ?
Les modèles traditionnels comme l'IFS utilisent la "prévision numérique du temps" (PNT). Il s'agit de collecter des quantités massives de données de capteurs météorologiques, qui sont ensuite introduites dans des équations complexes traitées par des superordinateurs.
Les équations sont affinées par des équipes d'experts et sont devenues de plus en plus précises, mais elles nécessitent encore beaucoup de puissance de traitement informatique et prennent beaucoup de temps pour aboutir à une prédiction.
La PNT tente essentiellement d'utiliser des algorithmes pour modéliser le fonctionnement de l'atmosphère afin de prédire ce qui va se passer.
Ce que fait GraphCast est beaucoup plus simple, mais ne peut pas être réalisé par des équations traditionnelles.
Le modèle GraphCast utilise des prévisions météorologiques basées sur l'apprentissage automatique (MLWP) et est entraîné sur environ 50 ans de données météorologiques historiques.
Il prend ensuite ces données et, au lieu de créer un modèle de notre atmosphère, il cherche des modèles dans les données. Un modèle d'IA est idéal pour trouver des schémas subtils que les équations fixes ne peuvent pas détecter.
GraphCast examine les données météorologiques actuelles et se dit : "La dernière fois que j'ai vu ces conditions, la prochaine chose qui s'est produite a été...", puis il fait une prédiction.
Le niveau de détail, ou de résolution, des prédictions de GraphCast n'est pas aussi bon que celui des modèles traditionnels, mais il est beaucoup plus précis et beaucoup plus rapide.
Alors qu'un superordinateur devrait traiter des données météorologiques pendant des heures pour établir une prévision, GraphCast peut produire un résultat en moins d'une minute sur une seule machine Google TPU v4.
Le MLWP dépend fortement des données historiques produites par les modèles NWP traditionnels et ne les remplacera donc pas tout de suite.
Cependant, l'utilisation d'un outil comme GraphCast en tandem avec les méthodes actuelles permettra de prévoir les événements météorologiques extrêmes plus rapidement et avec plus de précision.
Google DeepMind met GraphCast en open source et l'ECMWF l'utilise déjà.
