Les modèles météorologiques basés sur l'IA trébuchent sur la prédiction des phénomènes non publiés
Au début de cette année, le Centre européen pour les prévisions météorologiques à moyen terme a mis le système de prédiction pour l'intelligence artificielle (AIF), la première pleine opérationnelle basée sur l'intelligence artificielle pour les prévisions de temps. D'autres modèles expérimentaux, tels que le Google Graphcast, le Fourcast de l'Institut technologique de Californie et le pangu-temps de la société chinoise Huawei recherche également des rapides, ce qui réduit également la facture de lumière. «
Hassanzadeh, cependant, sait que les modèles de prédiction temporelle basés sur l'intelligence artificielle ne sont pas encore parfaits. Le scientifique fait partie du groupe d'universitaires des universités de Chicago, New York et Santa Cruz, en Californie, qui a récemment présenté une limitation importante de cette technologie: la prédiction des événements météorologiques non publiés.
La recherche, publiée il y a un mois dans le magazine de l'Académie nationale des sciences des États-Unis, déclare que ces nouveaux modèles peuvent faire des prévisions météorologiques à court terme avec une «précision surprenante», mais qu'ils échouent en ce qui concerne les phénomènes à haute intensité qui ne se trouvent pas dans les données avec lesquelles l'intelligence artificielle a été formée. En effet, les réseaux de neurones avec lesquels IA fonctionne ne peut prédire que sur les modèles du passé.
Quand l'IA ne voit pas un ouragan venir
Trois des auteurs de l'étude détaillent – en conversation vidéo avec le pays – l'expérience qu'ils ont menée pour tester l'intelligence artificielle à l'aide d'ouragans. Selon les scientifiques, le processus consistait à alimenter le système d'intelligence artificielle avec des données historiques et, par la suite, à introduire des conditions météorologiques pour demander au modèle de faire des prédictions basées sur celles-ci. Après ce processus, ils ont formé un réseau neuronal à partir de décennies de données météorologiques, mais ont éliminé tous les ouragans de catégorie supérieure à 2. Ensuite, ils ont recréé dans le modèle les conditions atmosphériques qui conduisent à un ouragan de la catégorie 5 et le réseau neuronal n'a pas été en mesure de les prévoir satisfaisantes.
« Ces modèles fonctionnent très bien au jour le jour, mais que se passe-t-il s'il y a un phénomène météorologique étrange? » Hassanzadeh reflète. La conclusion de l'équipe était que les réseaux de neurones ne peuvent pas prédire des phénomènes météorologiques hors de portée des données de formation existantes, qui pourraient laisser des phénomènes sans précédent qui pourraient se manifester à la suite du changement climatique. « Les données d'observation sont limitées et nous savons qu'elles présentent de nombreuses lacunes. Le problème est alors que tous les modèles d'intelligence artificielle sont limités à la disponibilité des données », ajoute le géophysicien.
Ce n'est pas magique
Malgré les résultats de l'expérience, Hassanzadeh estime que les modèles météorologiques sont « des plus grandes réalisations de l'intelligence artificielle en science » et qu'il y a encore « beaucoup de place à l'innovation ». Ce que son équipe a réaffirmé avec l'expérience, c'est que « il ne s'agit pas de magie ».
En tant que technologie de prédiction météorologique, les modèles d'intelligence artificielle fonctionnent similaires à ChatGpt et à d'autres modèles de langues basés sur des réseaux de neurones. Comme les modèles météorologiques, les modèles de langue doivent être alimentés avec d'énormes quantités de données afin qu'elles recherchent plus tard des modèles d'instructions.
Selon la recherche, la grande différence entre les réseaux neuronaux et les modèles météorologiques traditionnels est que les derniers « comprennent » la physique – c'est-à-dire qu'ils résolvent les équations – tandis que les premiers observent les conditions météorologiques et suggèrent ce qui vient ensuite en fonction de ce qui s'est passé dans le passé.
« Le fait que le modèle d'intelligence artificielle que nous utilisons n'a pas appris de la physique implique qu'il a vraiment appris à faire correspondre les modèles. Il voit une image et déduit qui, au lieu de faire les prédictions à travers les équations physiques qui régissent les phénomènes météorologiques », élabore Dorian Abbot, géophysical de l'Université de Chicago et Co-auteur de l'étude.
Les chercheurs suggèrent qu'une solution possible est de commencer à incorporer des outils mathématiques et les principes de la physique atmosphérique aux modèles d'intelligence artificielle. « L'espoir est que les modèles deviennent capables de prédire des cygnes gris (événement météorologique inhabituel et jamais vu, mais physiquement possible) s'ils apprennent la dynamique atmosphérique », explique Hassanzadeh.
Abbot explique qu'en théorie, un modèle d'intelligence artificielle pourrait être formé pour identifier les modèles et les séquences en tenant compte des lois physiques. Pour les chercheurs, cependant, comment faire cela est toujours « un domaine de recherche brûlant ».
Jonathan Weare, un mathématicien de l'Université de New York et également le co-auteur, souligne que cette première enquête peut servir de « histoire morale » aux gouvernements et aux agences climatiques du monde entier qui souhaitent commencer à utiliser des systèmes basés sur l'intelligence artificielle. « Si vous utilisez un système d'intelligence artificielle, vous pourriez ne pas commander une évacuation parce que vous avez reçu une alerte d'un phénomène qui n'est pas si grave, mais en réalité, c'est quelque chose de bien pire que l'IA n'a pas vu parce qu'elle n'était pas dans leurs données. »
