Le thème de notre splitblog de ce mois-ci nous vient de notre teamlead développement : Bartosz. Ceux qui le connaissent savent qu’il est un véritable couteau suisse humain et, en tant que tel, non seulement très versé en météorologie, mais aussi un écrivain talentueux. C’est pourquoi il n’a naturellement pas manqué l’occasion de rédiger lui-même le texte sur le thème de son choix. Mais lisez par vous-même !
Hey Siri, quel temps fera-t-il ?
En réalité, une question simple. Mais aussi une question qui ne semble pas si facile à répondre. Et si l’on regarde de plus près, on se rend compte de tout ce qui est nécessaire pour répondre à la question de savoir s’il vaut la peine de prendre un parapluie ou non.
Tout d’abord, nous devons collecter des données. Et ce, en grande quantité. Sur toute la planète, il existe d’innombrables stations de mesure qui mesurent la température, la pression et l’humidité de l’air, ainsi que la direction et la vitesse du vent. De plus, nous utilisons des données provenant de ballons météorologiques, d’avions, de navires et de satellites.
Pour déterminer le temps qu’il fera à partir de ces données, nous avons besoin d’un modèle météorologique. Il ne s’agit pas d’un modèle physique, mais plutôt d’une description mathématique de notre temps à travers une multitude d’équations et de paramètres dans lesquels nous intégrons nos données de mesure afin de voir comment le temps va évoluer.
Des paramètres ? Encore des paramètres ? Eh bien… il y a une grande quantité de données et une grande quantité d’équations et pour calculer cela, nous avions besoin jusqu’à présent de superordinateurs extrêmement performants et même ceux-ci ne pouvaient pas accomplir cette tâche assez rapidement, car : à quoi sert la meilleure prévision si elle n’est prête que lorsque c’est déjà arrivé.
Nous nous sommes donc attelés à simplifier les choses, par exemple : que se passe-t-il près du sol ? Ou à la transition de l’eau à la terre ? Les processus compliqués sont considérablement simplifiés et donc un peu moins précis, mais aussi calculables dans un délai raisonnable.
Assez parlé du service météorologique ! Il s’agit ici d’IA, après tout. Ou y a-t-il un lien ?
Oui, il y en a un. Depuis quelque temps, il existe des approches d’IA très intéressantes qui promettent des prévisions météorologiques sans être aussi gourmandes en calcul et en temps. L’année dernière, le département de recherche en IA de Google, DeepMind, a publié le modèle GraphCast qui, entraîné sur des données historiques, ne nécessite qu’une fraction de la puissance de calcul des modèles météorologiques numériques (c’est-à-dire ceux décrits précédemment) et peut ainsi fournir une prévision à 10 jours en moins d’une minute. Et GraphCast ne semble pas seulement plus rapide, mais – au moins en partie – aussi plus précis que les modèles météorologiques numériques et a ainsi prédit plus tôt que les modèles numériques l’endroit où l’ouragan Lee allait probablement toucher terre.
Il n’est donc pas étonnant que tous les grands services météorologiques expérimentent désormais des approches d’IA, comme le Deutscher Wetterdienst (DWD), qui a même annoncé il y a quelques jours dans un communiqué de presse une percée dans la prévision météorologique assistée par l’IA avec son modèle AI-Var nouvellement développé.
Avec le rythme auquel tout le domaine de l’intelligence artificielle se développe actuellement, il reste très excitant de voir ce que l’avenir nous réserve – également en termes météorologiques. Et d’ici là, soyons peut-être un peu plus indulgents envers nos météorologues et leurs prévisions, car comme nous l’avons vu, ce n’est pas si simple.
Sources :https://www.dwd.de/DE/presse/pressemitteilungen/DE/2024/20240617_pm_ki_news.html
https://www.spektrum.de/news/graphcast-neues-ki-modell-soll-genauere-wettervorhersage-liefern/2198859
