Cela ne semblait pas garanti pour fonctionner, explique Matthew Chantry, coordinateur d'apprentissage automatique de l'ECWMF, qui passe cette saison de tempête Évaluer leurs performances. Les algorithmes qui sous-tendent le chatppt ont été formés avec des milliards de mots, largement grattés d'Internet, mais il n'y a pas d'échantillon si complet pour l'atmosphère de la Terre. Les ouragans en particulier constituent une petite fraction des données de formation disponibles. Le fait que les traces de tempête prévues pour Lee et d'autres aient été si bonnes signifie que les algorithmes ont ramassé certains principes fondamentaux de la physique atmosphérique.

Ce processus est livré avec des inconvénients. Étant donné que les algorithmes d'apprentissage automatique s'accrochent aux modèles les plus courants, ils ont tendance à minimiser l'intensité des valeurs aberrantes comme les vagues de chaleur extrêmes ou les tempêtes tropicales, dit Chantry. Et il y a des lacunes dans ce que ces modèles peuvent prédire. Ils ne sont pas conçus pour estimer les précipitations, par exemple, qui se déroulent à une résolution plus fine que les données météorologiques mondiales utilisées pour les former.

Shakir Mohamed, directeur de recherche chez Deepmind, a déclaré que la pluie et les événements extrêmes – les événements météorologiques des gens sont sans doute les plus intéressés par les «cas les plus difficiles», pour les modèles météorologiques de l'IA. Il existe d'autres méthodes pour prédire les précipitations, y compris une approche basée sur un radar localisé développée par DeepMind connu sous le nom de Nowcastingmais l'intégration des deux est difficile. Des données plus fines, attendues dans la prochaine version de l'ensemble de données ECMWF utilisé pour former des modèles de prévision, peuvent aider les modèles d'IA à commencer à prédire la pluie. Les chercheurs explorent également comment ajuster les modèles pour être plus disposés à prédire les événements hors de l'Ordre.

Vérification des erreurs

Une comparaison que les modèles d'IA gagnent haut la main est l'efficacité. Les météorologues et les responsables de la gestion des catastrophes veulent de plus en plus ce que l'on appelle des prévisions probabilistes d'événements comme les ouragans – un aperçu d'une gamme de scénarios possibles et de leur probabilité de se produire. Les prévisionnistes produisent donc des modèles d'ensemble qui tracent différents résultats. Dans le cas des systèmes tropicaux, ils sont connus sous le nom de modèles spaghettis, car ils montrent des écheveaux de plusieurs pistes de tempête possibles. Mais le calcul de chaque nouille supplémentaire peut prendre des heures.

Les modèles d'IA, en revanche, peuvent produire plusieurs projections en quelques minutes. «Si vous avez un modèle déjà formé, notre modèle FourcastNet fonctionne en 40 secondes sur une vieille carte graphique junky», explique DeMaria. “Vous pourriez donc faire comme un ensemble gigantesque qui ne serait pas possible avec des modèles physiquement.”

Malheureusement, les prévisions de véritables ensembles mettent en place deux formes d'incertitude: à la fois dans les observations météorologiques initiales et dans le modèle lui-même. Les systèmes d'IA ne peuvent pas faire ce dernier. Cette faiblesse découle du problème de la «boîte noire» commune à de nombreux systèmes d'apprentissage automatique. Lorsque vous essayez de prédire la météo, sachant combien douter de votre modèle est crucial. Lingxi Xie, chercheur principal de l'IA chez Huawei, a déclaré que l'ajout d'explications aux prévisions d'IA est la demande numéro un des météorologues. «Nous ne pouvons pas fournir une réponse satisfaisante», dit-il.

Malgré ces limites, Xie et d'autres ont des modèles d'IA qui espèrent que les modèles précis pour rendre les prévisions précises plus largement disponibles. Mais la perspective de mettre de la météorologie alimentée par l'IA entre les mains de quiconque est encore un chemin, dit-il. Il faut des observations météorologiques pour faire des prédictions de toute nature – des satellites, des bouées, des avions, des capteurs – funnératifs par le biais de la NOAA et de l'ECMWF, qui traitent les données dans des ensembles de données lisibles par machine. Les chercheurs de l'IA, les startups et les nations ayant une capacité limitée de collecte de données ont faim de voir ce qu'ils peuvent faire avec ces données brutes, mais les sensibilités abondent, y compris la propriété intellectuelle et la sécurité nationale.

Ces grands centres de prévision devraient continuer à tester les modèles avant que les étiquettes «expérimentales» ne soient supprimées. Les météorologues sont intrinsèquement conservateurs, dit DeMaria, compte tenu de la vie et des biens en jeu, et les modèles basés sur la physique sont sur le point de disparaître. Mais il pense que les améliorations signifient que ce ne pourrait être qu'une autre saison ou deux de l'ouragan avant que l'IA ne joue une sorte de rôle dans les prévisions officielles. «Ils voient certainement le potentiel», dit-il.