L’IA générative peut désormais produire des textes, des images, de la musique, des vidéos et même des jeux vidéo. Il est maintenant temps d’ajouter les prévisions météorologiques à cette liste. Développée par Google, une nouvelle IA nommée SEEDS permet de prédire la météo avec une précision telle qu’elle pourrait même anticiper les futures catastrophes climatiques, selon des experts. La technologie vise cependant avant tout à réduire les coûts de la prévision météorologique, notamment pour les conditions météorologiques extrêmes.
Avec le changement climatique, les catastrophes naturelles deviennent non seulement plus fréquentes, mais aussi plus intenses. Le contexte requiert une prévision météorologique précise, permettant à la population de se préparer et de se protéger en cas de danger. Malheureusement, le climat est souvent difficile à prévoir, car il est influencé par différents facteurs environnementaux pouvant varier sur de courtes périodes.
Cela complique les prévisions, particulièrement lorsqu’il s’agit de phénomènes météorologiques extrêmes comme les ouragans ou les vagues de chaleur. Afin d’apporter une solution adéquate, Google a récemment présenté sa nouvelle IA générative, SEEDS (pour Scalable Ensemble Envelope Diffusion Sampler), visant à améliorer la précision des prévisions tout en réduisant leur coût. L’étude à l’origine de ce nouveau système a été publiée dans la revue Science Advances.
Comprendre les défis des systèmes de prévision actuels
Pour mieux comprendre les implications potentielles de ce nouveau modèle d’IA, il est important de noter que les techniques de prévision actuellement utilisées par les météorologues sont limitées sur de nombreux points. Les prévisions peuvent, certes, être précises pour des conditions météorologiques courantes, mais pour prédire des événements extrêmes, les méthodes utilisées atteignent rapidement leurs limites.
Dans leur processus de prévision, les services météorologiques génèrent ce qu’on appelle des « ensembles ». Il s’agit d’une gamme de prévisions possibles basée sur les conditions météorologiques initiales mesurées. L’ensemble est ensuite introduit dans d’autres algorithmes pour en obtenir une sorte de moyenne prévisionnelle, qui constitue la prévision finale. Les conditions initiales mesurées sont donc cruciales pour la qualité des prévisions. Afin d’obtenir le maximum de possibilités, les météorologues y introduisent souvent des variations aléatoires. Or, des imprécisions dans les conditions initiales peuvent avoir des impacts importants sur les résultats des modèles obtenus. Cela affecte directement la précision des prévisions à long terme ou celle des événements extrêmes, particulièrement difficiles et imprécises.
Pour prévoir des catastrophes climatiques, telles que celles dues aux ouragans et aux vagues de chaleur, les spécialistes doivent générer une très grande quantité de prévisions pour composer un ensemble. La technique est théoriquement viable, mais elle implique des coûts élevés en ressources. Pour donner une idée de la complexité du travail, les scientifiques de Google estiment que pour prévoir correctement un événement qui a seulement 1 % de chances de se produire, il faut générer jusqu’à 10 000 prévisions dans un même ensemble. Pourtant, en règle générale, les météorologues en produisent entre 10 et 50.
Une IA qui génère (ne calcule pas) les prévisions météorologiques
SEEDS utilise une technologie avancée pour générer rapidement et efficacement de grands ensembles de prévisions météorologiques. Pour ce faire, le nouveau modèle génératif de Google se base sur seulement deux prévisions existantes pour générer rapidement de nombreuses variantes potentielles, afin d’élargir l’éventail des scénarios possibles sans nécessiter une quantité importante de données de départ ou un calcul intensif. Le système est capable de générer 256 prévisions en trois minutes, une performance qui peut être largement améliorée, d’après l’entreprise.
Selon Google, SEEDS produit des prévisions d’une qualité comparable à celles du système de prévision opérationnel américain Global Ensemble Forecast System (GEFS). « Plus important encore, le coût de calcul du modèle est négligeable par rapport aux heures de calcul nécessaires aux superordinateurs pour établir une prévision », ajoute l’entreprise dans son communiqué.