Le géant technologique Google, via sa filiale DeepMind, a récemment démontré la supériorité de son algorithme de prévision météorologique GraphCast par rapport aux modèles classiques basés sur des équations physiques. Ce nouvel outil d’intelligence artificielle (IA) offre des performances inédites en matière de prédictions météorologiques, même pour des phénomènes exceptionnels tels que les tempêtes ou les ouragans. Selon Rémi Lam, chercheur scientifique chez Google DeepMind et son équipe, l’algorithme s’appuie sur une approche axée sur les données pour compléter les méthodes actuelles de prévision météorologique. Jusqu’à présent, l’approche des prévisionnistes était essentiellement déterministe, c’est-à-dire qu’ils se basaient sur des observations et des modèles mathématiques pour déduire ce qui arriverait logiquement.
Comment fonctionne GraphCast ?
Le modèle d’IA développé par Google DeepMind contourne cette notion de logique et préfère ingérer des données provenant de quatre décennies d’informations fournies par des satellites, des radars et autres moyens de mesure. Cela permet à l’IA d’identifier des modèles ou des schémas récurrents. Pour effectuer une prévision, GraphCast reçoit des mesures réelles prises à différents points du globe toutes les six heures. Cette prédiction est ensuite itérée en considérant cette prédiction comme une nouvelle entrée, pour arriver à un résultat encore très satisfaisant jusqu’à environ dix jours plus tard. GraphCast génère ainsi des prévisions plus précises que celles des méthodes traditionnelles dans plus de 90 % des cas. Cette performance illustre parfaitement le changement de paradigme et le risque potentiel qui accompagnent le développement de l’IA : avec les capacités actuelles de traitement des données, on pourrait se passer d’explications scientifiques pour anticiper des phénomènes aussi complexes que la météorologie. Cependant, dans un domaine tel que la prévision météorologique, il est essentiel de comprendre les raisons sous-jacentes aux prédictions pour gagner et maintenir la confiance du public. Comme l’explique , professeur de météorologie à l’Université d’East Anglia : « Si vous ordonnez l’évacuation de 50 kilomètres de côte en Floride et qu’il ne se passe rien, vous avez gaspillé des décennies de confiance ».
DeepMind et son expertise en intelligence artificielle
Créée en 2010, DeepMind s’est fait connaître pour avoir développé des programmes capables de jouer au jeu de Go ou à des jeux de console Atari 2600. La start-up, rachetée par Google en 2014, a ensuite appliqué ses méthodes d’apprentissage avant de se tourner vers les phénomènes climatiques. La méthode reste la même : ingérer des données, identifier des modèles récurrents et réaliser des prédictions. Malgré sa puissance, ce modèle d’IA ne remplacera jamais complètement les prévisions déterministes et les présentateurs météo comme Évelyne Dhéliat ou Laurent Romejko qui expliquent devant un écran vert pourquoi il pleuvra encore ce week-end. En effet, les prévisions basées sur les données ressemblent à ces douleurs au genou qui annoncent une tempête : elles sont fiables mais pas scientifiquement satisfaisantes. L’avenir de la prévision météorologique pourrait donc être envisagé comme une association entre l’intelligence artificielle et les méthodes traditionnelles, afin de fournir des prédictions toujours plus précises tout en maintenant la confiance du public.
Vers un avenir prometteur pour la prévision météorologique
En combinant les capacités inédites de GraphCast avec les méthodes traditionnelles de prévision, il est désormais possible d’envisager des scénarios météorologiques beaucoup plus précis et fiables. Ce progrès significatif permettra non seulement d’améliorer le quotidien de chacun, mais également de mieux anticiper et gérer les risques liés aux phénomènes climatiques extrêmes. Dans un contexte où le changement climatique rend les prévisions météorologiques de plus en plus complexes, l’intelligence artificielle pourrait bien devenir un allié de taille pour comprendre et anticiper les événements climatiques à venir.
