GenCast, un modèle d’intelligence artificielle de Google DeepMind, révolutionne la prévision météorologique en surpassant les méthodes traditionnelles, comme le modèle de référence ENS. Testé sur des données historiques, il offre des prévisions plus rapides et précises, notamment pour les cyclones tropicaux. Bien qu’il ne remplace pas encore les modèles classiques, sa résolution fine et son code open-source promettent d’enrichir les outils de prévision et de stimuler l’innovation dans le domaine.
GenCast : Une Révolution dans la Prévision Météorologique
GenCast, le tout nouveau modèle d’intelligence artificielle développé par Google DeepMind, se distingue par sa capacité à rivaliser avec les méthodes traditionnelles de prévision météorologique. Des recherches récentes révèlent qu’il a surpassé un modèle de prévision de premier plan lors d’évaluations basées sur des données de 2019.
Bien que l’IA ne soit pas prête à remplacer les prévisions classiques dans l’immédiat, elle pourrait enrichir les outils disponibles pour prévoir le temps et alerter le public en cas de tempêtes violentes. GenCast fait partie d’une série de modèles de prévision météorologique par IA en développement, promettant d’améliorer la précision des prévisions.
Des Résultats Prometteurs et Comparaisons avec les Modèles Traditionnels
« La météo influence presque tous les aspects de notre quotidien. C’est aussi l’un des défis scientifiques majeurs de notre époque », souligne Ilan Price, scientifique senior chez DeepMind. « Notre mission est de faire avancer l’IA pour le bien de l’humanité, et GenCast représente une contribution significative dans ce domaine. »
Les chercheurs ont testé GenCast contre l’ENS, un des modèles de prévision les plus respectés dans le monde, géré par le Centre européen de prévisions météorologiques à moyen terme (ECMWF). Les résultats montrent que GenCast a dépassé l’ENS 97,2 % du temps, comme indiqué dans une étude récemment publiée.
GenCast repose sur l’apprentissage automatique, ayant été formé sur des données météorologiques couvrant la période de 1979 à 2018. En analysant ces quatre décennies de données, il apprend à identifier des tendances et à prédire des événements futurs, une approche qui diffère fondamentalement des modèles traditionnels tels que l’ENS, qui s’appuient sur des superordinateurs pour résoudre des équations complexes.
En matière de prévision de cyclones tropicaux, GenCast a démontré sa capacité à fournir en moyenne 12 heures d’avertissement supplémentaire et a montré de meilleures performances pour anticiper les trajectoires de cyclones, les événements météorologiques extrêmes, ainsi que la production d’énergie éolienne jusqu’à 15 jours à l’avance.
Cependant, il est important de noter que GenCast a été testé contre une version antérieure de l’ENS qui fonctionne désormais à une résolution plus élevée. La recherche, bien que prometteuse, doit encore être validée dans un contexte actuel où l’ENS a considérablement évolué.
GenCast fonctionne à une résolution de 0,25 degré, divisant le monde en une grille précise, tandis que l’ENS a amélioré sa résolution à 0,1 degré. Malgré cela, le modèle de DeepMind a pu réaliser des prédictions plus rapides, produisant une prévision de 15 jours en seulement huit minutes, alors que les modèles traditionnels peuvent nécessiter plusieurs heures.
Cette efficacité de GenCast pourrait aussi contribuer à réduire l’impact environnemental des centres de données de l’IA, bien que des études supplémentaires soient nécessaires pour évaluer sa durabilité par rapport aux modèles physiques.
Bien que des améliorations soient encore possibles, notamment en ce qui concerne la résolution et la fréquence des prévisions, GenCast représente une avancée notable dans le domaine de la météorologie. L’open-source de son code permet aux prévisionnistes d’explorer ce modèle par eux-mêmes, favorisant ainsi l’innovation dans le domaine de la prévision météorologique.