Microsoft dispose d’un nouvel outil de apprentissage automatique pour améliorer les prévisions météorologiques

Les prévisions météorologiques basées sur la physique traditionnelle et les nouveaux modèles d’IA deviennent généralement moins fiables après deux semaines, un problème que Microsoft affirme avoir résolu grâce au apprentissage automatique.

Les chercheurs de l’entreprise affirment avoir découvert une nouvelle méthode économiquement viable pour prévoir avec plus de précision les conditions météorologiques deux à six semaines à l’avance – ce qui permet aux agriculteurs et aux équipes d’intervention d’organiser leurs plans avec une plus grande certitude. Ces résultats ont été publiés aujourd’hui dans la revue Nature, et l’outil est désormais un logiciel open-source.

Microsoft s’associe à Google, Nvidia et à d’autres entreprises développant des outils d’IA pour la prévision météorologique. Au lieu de créer un nouveau modèle météo indépendant, les dernières recherches de Microsoft dans ce domaine utilisent l’apprentissage automatique pour corriger les biais des modèles existants. Les chercheurs espèrent qu’il s’agit d’une manière plus accessible pour les agences météorologiques ayant peu de ressources d’améliorer la précision grâce à l’IA.

C’est une manière plus facile d’accéder aux agences météorologiques qui manquent de ressources à améliorer la précision en utilisant l’IA

Alors que la modélisation basée sur la physique est une tâche qui consomme beaucoup de ressources et exige l’utilisation de superordinateurs, et que l’intelligence artificielle générative dépend de GPU puissantes, Lester Mackey, chercheur principal à Microsoft Research New England, dit que l’outil nouveau peut fonctionner simplement sur des CPU. « J’ai beaucoup d’espoir tant pour l’efficacité accrue de la prévision météorologique que pour la fiabilité prolongée des prévisions, en particulier pour les conditions météorologiques extrêmes », explique Mackey à The Verge.

Les modèles basés sur la physique et l’IA rencontrent des problèmes similaires lorsqu’ils commencent à prédire le temps deux semaines ou plus à l’avance. Les modèles traditionnels tentent de simuler les phénomènes physiques complexes de l’atmosphère terrestre, tandis que les modèles d’IA cherchent des patterns dans les données historiques afin de faire des prévisions. Dans les deux cas, les modèles s’appuient sur des approximations pour combler les lacunes de données, que ce soit en raison de régions où il y a peu de stations météorologiques ou en raison de phénomènes atmosphériques complexes que les scientifiques continuent d’étudier. Les moyens par lesquels ces modèles compensent ces lacunes de données peuvent constituer une sorte de biais systématique. Les erreurs résultantes se multiplient lors de prévisions à plus long terme, ce qui rend ces prédictions moins précises.

Microsoft appelle sa méthode Probabilistic Bias Correction (PBC). L’outil utilise l’apprentissage automatique pour détecter les biais systématiques dans un modèle et effectuer des corrections. Un exemple donné par Mackey est la correction des changements climatiques. Les émissions de gaz à effet de serre provenant des combustibles fossiles réchauffent la planète, mais un modèle météorologique peut faire des prédictions basées sur des données historiques, ce qui peut le faire se comporter en direction de températures plus froides que celles que le monde connaît actuellement.

Les chercheurs ont constaté que le PBC a amélioré la précision du modèle météorologique basé sur la physique de l’ECMWF, pour 98 % des objectifs de précipitations et 92 % des objectifs de température. Le cadre de machine learning a également doublé la précision du nouveau système de prévision IA de l’ECMWF dans l’analyse de l’étude. Avant la publication du papier, l’ECMWF avait déjà remporté les résultats de recherche des auteurs sur le PBC dans son concours AI Weather Quest.

Le nouvel article sur le PBC publié par des chercheurs de Microsoft, MIT, ECMWF et d’autres institutions est « un bon exemple des nouvelles idées développées en faveur et pour la considération de la communauté », a déclaré Matthew Chantry, chef stratégique du machine learning au ECMWF, dans un commentaire envoyé par e-mail à The Verge.

« Comme toujours, transformer des idées en réalité dans un processus opérationnel est une étape très difficile », ajouta Chantry.

La quantité de calcul et d’infrastructure nécessaire pour la prévision météorologique a souvent rendu les progrès technologiques inaccessibles pour de nombreuses agences dans les pays en développement économique. Cependant, les auteurs de l’étude estiment que le PBC peut être différent. « L’une des choses qui m’intriguent vraiment concernant des modèles comme le PBC, c’est leur légèreté et leur facilité d’entraînement. Ainsi, des scientifiques ne disposant pas de grandes ressources peuvent travailler sur la configuration de ces modèles afin qu’ils fonctionnent mieux dans certaines régions », dit Genevieve Flaspohler, l’une des auteurs du article.

Flaspohler a travaillé sur PBC en tant qu’interne chez Microsoft avec Mackey, et elle est maintenant directrice exécutive de l’organisation non lucrative Rhiza Research, qui collabore avec l’Autorité du service météorologique du Kenya — avec financement de la Fondation Gates — afin de déterminer si l’IA peut aider à transmettre des alertes précises aux gens. PBC est l’un des méthodes qu’ils testent avant une saison des pluies plus extrême, lors d’un El Niño record.