Février 2021, Texas. Trois tempêtes hivernales d’affilée, le réseau électrique qui part en fumée, au moins 246 morts. Le froid n’a surpris personne. C’est le calendrier qui a manqué. Avec trois semaines d’avance, les opérateurs auraient fait rouler des camions de gaz naturel vers les zones coupées, et une partie des dégâts aurait pu être évitée. Sauf que la prévision au-delà de deux semaines, c’est de la devinette.
Microsoft vient de publier, avec le MIT, l’ECMWF et une poignée d’institutions, une méthode qui rend cette devinette un peu moins ridicule. Papier dans Nature, code open source. Et le tour de force n’est pas un nouveau modèle météo : c’est un correcteur de copies.
Judah Cohen, chercheur au MIT, plante le décor mieux que n’importe quel communiqué. Prévoir au-delà de deux semaines, dit-il, revient à « aller au casino et lancer les dés ». Le bonhomme a même un nom pour ce trou : le « désert de prévisibilité ». En dessous de deux semaines, on parie sur l’état initial de l’atmosphère. Au-delà de six, on s’appuie sur des forces lentes, comme l’El Niño record dont tout le monde cause. Entre les deux, il n’y a rien sur quoi s’appuyer.
Des rustines, pas une cathédrale
La méthode s’appelle Probabilistic Bias Correction. L’idée part d’un constat banal : dans cette fenêtre, les modèles se trompent tous de la même manière. Les simulations physiques (des calculs lourds sur supercalculateurs) comme les modèles IA (qui cherchent des motifs dans les archives) bouchent les trous de données avec des approximations. Ces béquilles deviennent un biais systématique, et le biais s’empile à mesure qu’on regarde loin. Un modèle nourri d’archives anciennes prédira par exemple plus froid qu’une planète que les gaz à effet de serre ont effectivement réchauffée.
PBC apprend à repérer ce biais et à recaler la sortie. Une rustine intelligente posée sur des moteurs qui existent déjà. Côté résultats, la meilleure combinaison soumise par l’équipe a doublé la puissance prédictive du modèle concerné sur la fenêtre deux à six semaines. Pour la première fois, un système fait mieux que la simple moyenne climatologique sur cette période. Sur le modèle physique de l’ECMWF, les corrections améliorent 98 % des objectifs de précipitations et 92 % des objectifs de température.
Le détail qui compte, ça tourne sur un CPU
Voilà le genre de nuance qui change la vie d’une bonne partie de la planète. PBC se contente de processeurs classiques. Pas de GPU hors de prix, pas de ferme de serveurs. L’entraînement s’est fait sur un cluster du MIT, mais le modèle final ne réclame pas une salle de machines pour fonctionner.
Pour les agences météo sans budget, ça pèse lourd. Lester Mackey, de Microsoft Research New England, y voit de quoi améliorer « l’efficacité des ressources et la fiabilité des prévisions, en particulier pour la météo extrême ». Genevieve Flaspohler, co-autrice passée par le MIT et aujourd’hui à la tête de la non-profit Rhiza Research, insiste sur la légèreté de l’outil. Rhiza teste justement PBC avec le service météo du Kenya, sur un financement de la Fondation Gates, pour sortir des alertes précoces avant une saison des pluies qui s’annonce violente.
Le papier est bon, le service n’existe pas encore
Il faut calmer le jeu tout de suite. Matthew Chantry, responsable du machine learning à l’ECMWF, salue le travail mais pose la limite en une phrase : « Comme toujours, transformer les idées en réalité dans un processus opérationnel est l’étape la plus difficile. » La recherche est validée, le passage à une vraie prévision quotidienne pour de vraies agences reste un chantier entier. Le premier prix au concours de l’ECMWF valide une idée, pas un service en production.
Reste que l’approche a un mérite que les gros modèles n’ont pas. Elle ne demande pas d’acheter un supercalculateur pour arrêter de jouer aux dés. Pour un agriculteur qui doit décider quand semer, ou un opérateur qui doit savoir quand rentrer du gaz, ça vaut plus que n’importe quelle démo de datacenter.
Sources :
Comments are closed