- GenCast de Google DeepMind atteint un niveau de précision comparable à celui des systèmes traditionnels de prévision météorologique
- Selon une étude récente, lors de tests fondés sur les données de 2019, GenCast a surpassé ENS, le modèle de prévision de référence mondiale, avec une probabilité de 97,2 %
Principales caractéristiques de GenCast
- Modèle de machine learning fondé sur l’IA, il a appris à partir des données météorologiques de 1979 à 2018 afin de reconnaître des schémas et de prédire l’avenir
- Alors que le modèle traditionnel (ENS) calcule des équations complexes basées sur la physique, GenCast s’appuie sur le machine learning pour produire des prévisions plus efficacement
- Il utilise une approche de prévision d’ensemble pour proposer différents scénarios :
- Exemple : pour la trajectoire des cyclones tropicaux, il fournit des alertes en moyenne 12 heures plus tôt
- Il peut prévoir jusqu’à 15 jours à l’avance les typhons, les phénomènes météorologiques extrêmes, la production éolienne, etc.
Performances et efficacité
- Gain de temps et de ressources :
- GenCast génère une prévision sur 15 jours en 8 minutes à l’aide de Google Cloud TPU v5
- Le modèle traditionnel ENS met plusieurs heures à produire la même prévision
- En contournant les équations physiques, il réduit les coûts de calcul
- Différences de résolution :
- GenCast fonctionne avec une résolution de 0,25 degré (latitude et longitude)
- ENS fonctionnait en 2019 avec une résolution de 0,2 degré, portée aujourd’hui à 0,1 degré
- Malgré cette différence de résolution, GenCast affiche d’excellents résultats
Coexistence entre IA et modèles traditionnels
- GenCast fournit des prévisions toutes les 12 heures, ce qui le distingue des modèles traditionnels qui publient des données à des intervalles plus courts
- DeepMind met l’accent sur l’usage de GenCast aux côtés des modèles traditionnels afin de renforcer la confiance et la fiabilité
- GenCast pourrait avoir un impact concret en tant que nouvel outil pour les chercheurs en météorologie et les prévisionnistes
Limites potentielles du modèle d’IA
- La comparaison actuelle entre ENS et GenCast n’est pas parfaitement équitable, puisque GenCast a été testé à partir des données ENS de 2019
- Des améliorations supplémentaires sont nécessaires, comme le passage à une résolution plus élevée ou des intervalles de prévision plus courts
- La communauté météorologique continue de s’interroger sur la capacité des modèles fondés sur l’IA à être aussi fiables que les modèles basés sur la physique
Open source et perspectives
- DeepMind a publié le code open source de GenCast afin de le rendre accessible à davantage de chercheurs et de praticiens
- Les modèles d’IA devraient non pas remplacer, mais compléter les modèles traditionnels pour permettre des prévisions météorologiques plus précises et plus rapides
- Les modèles de prévision météo par IA ouvrent la voie à une transformation de l’usage des données météorologiques dans l’objectif d’un meilleur impact sociétal
Aucun commentaire pour le moment.