Le domaine des prévisions météorologiques a franchi une étape importante : des chercheurs ont présenté GenCast, un système de prévision météorologique basé sur l’IA développé par Google DeepMind. Ce système fournit des prévisions plus rapides et plus précises que le modèle ENS du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), considéré depuis longtemps comme le leader mondial des prévisions météorologiques.
Quels sont les avantages de GenCast ?
Précision améliorée
GenCast a surpassé l’ENS jusqu’à 20 % dans les prévisions météorologiques à court terme et a fait preuve d’une précision remarquable dans la prévision des trajectoires d’événements météorologiques extrêmes, tels que les ouragans et les cyclones, y compris leurs lieux d’atterrissage.
Efficacité exceptionnelle
Contrairement aux modèles traditionnels basés sur la physique qui nécessitent des heures de calcul sur des superordinateurs, GenCast fournit des résultats en seulement 8 minutes à l’aide d’un seul TPU Google Cloud, un processeur optimisé pour l’apprentissage automatique.
Formation innovante
Le modèle a été formé sur 40 ans de données météorologiques historiques (1979-2018), englobant un large éventail de variables atmosphériques telles que la vitesse du vent, la température, la pression et l’humidité. GenCast s’appuie sur son prédécesseur, GraphCast, en produisant des ensembles probabilistes de 50 prévisions ou plus, offrant une plus grande fiabilité pour la prévision d’événements météorologiques incertains.
Rôle de soutien
Pour l’instant, GenCast est conçu pour compléter plutôt que remplacer les méthodes traditionnelles basées sur la physique, en fournissant une clarté supplémentaire pour des événements tels que les vagues de chaleur, les vagues de froid et les vents violents. Ses applications pourraient s’étendre à des secteurs comme les énergies renouvelables, où des prévisions précises aident à optimiser la production d’électricité.
Implications pour la prévision météorologique
- Prévision d’ensemble améliorée : la capacité de GenCast à générer des ensembles plus grands et plus fiables offre des niveaux de confiance améliorés pour les prévisions météorologiques extrêmes.
- Coûts de calcul réduits : l’efficacité de GenCast rend les prévisions haute résolution plus accessibles et réduit la dépendance à des ressources de calcul coûteuses.
- Potentiel de transformation : des experts, comme Sarah Dance de l’Université de Reading, ont noté que cette technologie représente un changement de paradigme dans la méthodologie de prévision, ouvrant la voie à une adoption plus large des approches basées sur l’IA.
Défis et questions
Bien que les performances de GenCast soient prometteuses, certains défis demeurent. Les auteurs n’ont pas encore répondu si leur système possède le réalisme physique nécessaire pour capturer « l’effet papillon », la cascade d’incertitudes à croissance rapide, qui est essentielle pour une prévision d’ensemble efficace.
Les données sur lesquelles GenCast s’est entraîné combinent des observations passées avec des « rétrospectives » basées sur la physique qui nécessitent des mathématiques sophistiquées pour combler les lacunes des données historiques.
Il reste encore un long chemin à parcourir avant que les approches d’apprentissage automatique puissent remplacer complètement les prévisions basées sur la physique. Il reste à voir si l’apprentissage automatique génératif peut remplacer cette étape et passer directement des observations non traitées les plus récentes à une prévision à 15 jours.
La voie à suivre
Il est peu probable que GenCast remplace les systèmes de prévision traditionnels dans un avenir proche. Au lieu de cela, il devrait servir d’outil d’assistance puissant, augmentant les modèles actuels et contribuant à des prévisions plus précises. Les services météorologiques nationaux et les industries qui dépendent d’informations météorologiques précises, telles que l’énergie et la gestion des catastrophes, sont sur le point d’en bénéficier considérablement.