Microsoft présente un nouvel outil de machine learning pour améliorer les prévisions météo
Microsoft affirme avoir résolu un problème qui limite aussi bien la météorologie classique, fondée sur la physique, que les nouveaux modèles d'intelligence artificielle : la fiabilité des prévisions chute nettement au-delà de deux semaines. Ses chercheurs ont mis au point une méthode d'apprentissage automatique, présentée comme économique, qui produit des prévisions plus précises à une échéance de deux à six semaines. Les résultats ont été publiés aujourd'hui dans la revue Nature, et l'outil est diffusé en logiciel open source, accessible à d'autres équipes.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de The Verge AI. Lire l'article original →
L'enjeu est très concret pour les secteurs qui dépendent du climat. Des agriculteurs pourraient mieux organiser semis, irrigation ou récoltes avec plusieurs semaines d'avance, et les services d'urgence anticiper des épisodes de chaleur, de sécheresse ou d'inondation avec davantage de certitude. Cette plage de deux à six semaines, entre la météo du quotidien et les projections saisonnières, est précisément celle où les décisions sont les plus difficiles à prendre faute de signal fiable. Le faible coût annoncé de l'approche pourrait aussi la rendre accessible à des organismes qui n'ont pas les moyens de faire tourner d'énormes simulations physiques.
Microsoft rejoint ainsi Google, Nvidia et d'autres entreprises qui développent des outils d'IA pour la prévision météorologique, un domaine devenu très concurrentiel. Ces acteurs s'attaquent à un défi ancien : le caractère chaotique de l'atmosphère, qui dégrade mécaniquement la précision à mesure que l'horizon s'éloigne. Le choix de publier dans Nature et d'ouvrir le code vise à faire valider la méthode par la communauté scientifique et à encourager son adoption, ce qui permettra de juger sa performance réelle face aux systèmes existants.
Les services météorologiques et acteurs agricoles européens pourraient tester cet outil open source pour des prévisions à deux à six semaines, sans infrastructure de calcul lourde.