L’Intelligence Artificielle dans la Prévision Météorologique : Le Cas de DeepMind
En septembre, DeepMind, l’unité d’intelligence artificielle (IA) de Google basée à Londres, a réussi à prédire avec précision le lieu d’atterrissage de l’ouragan Lee. Son logiciel expérimental, GraphCast, a anticipé un atterrissage beaucoup plus au nord que prévu. Finalement, l’ouragan Lee a frappé exactement là où GraphCast avait prédit : Long Island, Nouvelle-Écosse.
Cet exploit est un exemple clair de la manière dont les modèles de prévision météorologique alimentés par l’IA surpassent les modèles conventionnels. D’autres modèles d’IA comme ceux construits par Nvidia et Huawei ont également montré une forte performance. Les météorologues chevronnés observent ces progrès et s’attendent à de grands changements dans le domaine grâce à l’IA.
Surpasser les Modèles Conventionnels
DeepMind a publié de nouvelles preuves revues par des pairs qui démontrent l’efficacité de son modèle. Selon ces preuves, le modèle de DeepMind a surpassé les prévisions du Centre Européen pour les Prévisions Météorologiques à Moyen Terme (ECMWF) dans 90% de plus de 1.300 variables atmosphériques. De plus, alors que les modèles conventionnels nécessitent un superordinateur pour fonctionner, le modèle de DeepMind peut le faire sur un ordinateur portable et émettre une prévision en moins d’une minute.
Les modèles météorologiques standard font leurs prédictions en essayant de reproduire la physique de l’atmosphère. Ces modèles se sont améliorés au fil du temps grâce à de meilleures mathématiques et à des observations météorologiques plus détaillées. Cependant, ces modèles sont lourds et peuvent prendre des heures à calculer sur des serveurs puissants.
L’utilisation des Réseaux Neuronaux de Graphes dans la Prédiction du Temps
Pour améliorer la prévision du temps, DeepMind a utilisé une forme particulière d’apprentissage automatique. Peter Battaglia, directeur de recherche chez DeepMind, a utilisé des réseaux neuronaux de graphes (GNNs) pour modéliser le comportement des fluides. Les GNNs représentent les données sous forme de « graphes » mathématiques, des réseaux de nœuds interconnectés qui peuvent s’influencer mutuellement. Dans le cas des prévisions météorologiques de DeepMind, chaque nœud représente un ensemble de conditions atmosphériques à un endroit particulier. Bien que l’entraînement de ces systèmes soit intensif, le système final est léger et permet de générer rapidement des prévisions avec un minimum de puissance informatique.
Cette avancée dans la prévision du temps propulsée par l’IA pourrait avoir des implications significatives pour la préparation et la réponse aux catastrophes naturelles comme les ouragans. Avec des modèles plus précis et plus rapides, les autorités pourraient avoir plus de temps pour se préparer et répondre, ce qui pourrait sauver des vies et des biens.
Sarah est non seulement une experte en marketing digital, mais aussi une créatrice de contenu avec une grande expérience dans le domaine. Diplômée en Sociologie de l'Université de Barcelone et ayant un post-diplôme en Marketing Digital de l'Inesdi, Sarah a réussi à se distinguer en tant que Directrice de Marketing Digital. Sa connaissance approfondie des tendances digitales et sa capacité à identifier des opportunités de croissance ont été fondamentales pour le succès de nombreuses campagnes. De plus, elle donne des cours et des conférences dans des écoles de commerce prestigieuses, des universités et des événements, partageant ses connaissances et expériences avec d'autres professionnels et étudiants.
Cette entrée est également disponible dans : Español Português
