L’IA surpasse pour la première fois les prévisions météorologiques conventionnelles

prévision météorologiques IA
Crédits : Petrovich9/istock

Une étude révèle les performances exceptionnelles de GraphCast, un nouveau modèle d’IA de Google DeepMind qui surpasse largement les méthodes conventionnelles et offre des prévisions météorologiques mondiales jusqu’à dix jours à l’avance.

Une révolution dans la prévision météorologique

La prédiction météorologique a longtemps été un défi complexe en raison de la dynamique chaotique de l’atmosphère. Les interactions entre les multiples variables atmosphériques complexifient la création de modèles précis et même les systèmes informatiques les plus puissants peuvent peiner à anticiper avec certitude les conditions météorologiques à long terme. Cependant, une percée récente dans le domaine de l’intelligence artificielle (IA) pourrait changer la donne.

Ces nouveaux travaux mettent en lumière les réalisations exceptionnelles de GraphCast, le modèle d’IA météorologique de Google DeepMind (une filiale de Google spécialisée dans le développement de technologies d’intelligence artificielle avancées), ouvrant la voie à des prévisions météorologiques plus précises et rapides.

Grâce à une architecture d’apprentissage automatique de « réseau neuronal graphique », GraphCast a été formé sur plus de quatre décennies de données météorologiques historiques du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF). Ce modèle traite les états atmosphériques actuels et ceux datant des six heures précédentes, ce qui lui permet de générer une prévision sur dix jours en moins d’une minute. Tout cela est réalisé sur un ordinateur cloud alimenté par la puissance de calcul du processeur TPU v4 de Google.

prévisions météorologiques
Crédits : mdesigner125/iStock

Des performances, mais aussi quelques limitations

L’évaluation de GraphCast par rapport au modèle conventionnel a porté sur 1 380 paramètres météorologiques, tels que la température, la pression, la vitesse et la direction du vent ainsi que l’humidité à différents niveaux atmosphériques. Dans ces tests, GraphCast aurait démontré des performances supérieures dans 90 % de ces paramètres, suggérant ainsi qu’il excelle dans la prédiction d’un large éventail de conditions météorologiques.

Malgré les progrès, GraphCast a tout de même quelques limites. Il n’a en effet pas surpassé les modèles conventionnels dans tous les scénarios. Par exemple, bien qu’il ait prédit avec succès l’arrivée de l’ouragan Lee en Nouvelle-Écosse neuf jours à l’avance, il n’aurait pas anticipé l’intensification soudaine de l’ouragan Otis. De plus, en raison de limitations technologiques, les modèles mondiaux d’IA ne peuvent pas encore créer des prévisions aussi détaillées ou granulaires que les plus traditionnels, ce qui les rend plus idéaux pour examiner des phénomènes à plus petite échelle.

D’un autre côté, GraphCast se distingue également par son efficacité énergétique. Ce modèle consommerait en effet environ mille fois moins d’énergie que les méthodes traditionnelles. Cette efficacité pourrait donc non seulement révolutionner la précision des prévisions, mais aussi réduire l’empreinte environnementale associée à ces calculs complexes.

En fin de compte, les chercheurs de Google DeepMind considèrent leur approche basée sur l’IA comme un complément aux techniques actuelles de prévision météorologique.