Bonjour à tous et bienvenue dans le ZD Tech, le podcast quotidien de la rédaction de ZDNet.fr. Je m’appelle Guillaume Serries et aujourd’hui je vous explique comment les réseaux antagonistes génératifs, les GAN, pourraient rapidement améliorer la précision des prévisions météorologiques locales.

Le changement climatique augmente l'intensité et la fréquence des phénomènes météorologiques extrêmes. Et la complexité de la physique qui régit les fortes précipitations rend l'élaboration de prévisions météo locales précises très difficile.

D'où l'idée de mettre une intelligence artificielle au travail, pour tenter de prévenir ces phénomènes météo dangereux.

Mais bien sûr, comme l'intelligence artificielle est devenu un peut trop à la mode, je vais rentrer dans le détail pour vous en dire un peu plus.

Il s'agit d'un nouveau modèle d'apprentissage automatique, dit aussi machine learning. Concrètement, avec des jeux de données, une IA est entraînée à discerner le vrai du faux.

Et ce sont les data scientist et les chercheurs de la startup Climate Ai qui utilisent cette technique pour corriger les biais qui existent actuellement dans les modèles météorologiques génériques.

Pour ce faire, ils utilisent des réseaux antagonistes génératifs, dits GAN en anglais pour Generative Adversarial Network.

Ces GAN sont une classe d'algorithmes d'apprentissage machine non supervisé.

Un GAN est composé de deux réseaux qui sont placés en compétition dans un scénario de théorie des jeux. Le premier réseau est le générateur, qui génère un échantillon de données. Son adversaire, le second réseau, dit le discriminateur, essaie de détecter si l'échantillon est réel ou bien s'il est le résultat du générateur.

Ainsi, le modèle d'Intelligence artificielle affine peu à peu la précision de ses résultats, et donc de ses prévisions.

De quoi apparement remplacer la puissance de calcul phénoménale nécessaire aux prévisions actuelle, calculées avec des superordinateurs gavés de processeurs. Mais surtout, ces modèles d'IA devraient à terme compléter, voire suppléer, les connaissances des météorologues experts qui interprêtent les données en résultats.

Le résultat de ce travail c'est que le modèle d'IA réduit l'échelle des prévisions mondiales pour qu'elles soient aussi précises que des prévisions locales, et ce sans exiger les vastes quantités de ressources informatiques, financières et humaines qui étaient auparavant nécessaires pour faire des prévisions à une si petite échelle.

Mais à quoi cela ressemble-t-il dans la pratique ?

ClimateAi suggère un scénario dans lequel, plutôt que de simplement confirmer une "probabilité de 40 % de pluie cette semaine" pour toute une région, le nouveau modèle réponde à des questions telles que :

Quelle est la probabilité qu'il pleuve ou qu'il ne pleuve pas demain ?

Ou encore 

Où exactement va-t-il pleuvoir ?

Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.