La Force aérienne des États-Unis achètera les données collectées par la flotte de ballons météorologiques autonomes de WindBorne Systems dans le cadre d’un nouveau contrat qui pourrait valoir près de 50 millions de dollars pour l’entreprise.
WindBorne dispose actuellement environ 700 ballons météorologiques en vol autour du monde, qui collectent des mesures de capteurs atmosphériques que l’entreprise vend aux clients et qui sont également utilisées par son propre modèle d’anticipation météorologique basé sur l’IA. WindBorne, fondée en 2015 et basée à Redwood City, Californie, est l’une des premières organisations à introduire directement des données empiriques dans un modèle météorologique basé sur l’apprentissage profond.
L’entreprise a travaillé en étroite collaboration avec le gouvernement américain, en particulier le Service météorologique national et l’armée de l’air et la marine américaines. Cependant, il s’agit du plus grand contrat auquel l’entreprise a participé. Le contrat s’élève à jusqu’à 49 millions de dollars, mais l’armée de l’air ne paie que lorsqu’elle a besoin de données. Elle peut effectuer des commandes pour des régions spécifiques à des moments précis. Jusqu’à présent, elle a commandé pour 1,7 million de dollars, et les dirigeants espèrent davantage de commandes à venir.
« C’est essentiellement un moyen par lequel la croissance continue de la constellation peut être soutenue, ainsi que des travaux de recherche et développement pour continuer à améliorer les composants matériels et les performances des ballons », a déclaré Andrey Sushko, cofondateur de WindBorne et CTO, à TechCrunch. Il ajoute que le contrat, attribué sans appel d’offres, est « une décision du gouvernement selon laquelle, pour cette capacité de collecte de données mondiales, nous étions la seule entreprise capable de le fournir de manière à répondre aux besoins de ces opérations ».
John Dean, PDG de WindBorne a déclaré à TechCrunch en août que l’entreprise avait levé 37 millions de dollars lors d’une série B pour continuer à développer son activité. Plus tôt cet été, l’entreprise a lancé la dernière version de son modèle de prévision météo, WeatherMesh 6, qui dit-elle fournit des prévisions plus précises que le modèle traditionnel utilisé par le Centre européen de prévision météorologique à moyen terme (ECMWF), qui simule l’atmosphère en suivant les lois de la physique.
Depuis l’arrivée des architectures de modèles de transformateur et la publication par le ECMWF d’un grand ensemble de données météorologiques il y a quelques années, la prévision météorologique par l’IA est devenue l’une des applications les plus productives de la technologie du deep learning. Les météorologues, auparavant, comptaient sur des superordinateurs coûteux qui exécutaient des équations détaillées pour approximer le comportement de l’atmosphère. Aujourd’hui, l’apprentissage end-to-end peut traiter des décennies de données météorologiques et produire des prédictions plus rapidement.
Les modèles créés par les laboratoires de frontière et les agences gouvernementales sont plus précis que les prévisions traditionnelles, bien qu’il s’agisse encore d’une frontière incertaine. Les deux types de prévisions sont nécessaires pour permettre une compréhension utile du temps. Le dernier modèle météorologique de Google DeepMind offre de nouvelles capacités importantes, et ses outils de prévision des cyclones deviennent de plus en plus essentiels dans la manière dont le gouvernement américain répond à la saison des ouragans.
En août, WindBorne est devenue la première organisation à envoyer un système de vol sans moteur – un système sans moteur du tout – pour collecter des données dans l’œil d’un typhon. L’entreprise manœuvre ses ballons en ajustant leur altitude, en libérant de l’air ou en déposant du sable utilisé comme ballast, afin de faire entrer les véhicules dans les vents qui les mènent là où ils doivent aller.
« C’est une étape assez novatrice, et les deux conditions nécessaires sont : premièrement, disposer de bons modèles météorologiques et de vent, et savoir les utiliser ; deuxièmement, avoir une constellation suffisamment large afin d’y placer des ballons à l’endroit approprié », a déclaré Sushko. « C’est l’une des premières fois où un modèle d’apprentissage profond est utilisé pour des décisions opérationnelles réelles. »