L’intelligence artificielle pour des prévisions Météo plus pointues
Un article du Wall Street Journal
Les Etats-Unis ont connu 22 catastrophes météorologiques et climatiques en 2020 – un nombre record. L’intelligence artificielle semble capable de déterminer avec une plus grande précision l’évolution des intempéries telles que les chutes de grêle ou les tornades.
Amy McGovern fait partie des rares personnes à avoir déménagé en Oklahoma pour des raisons météorologiques.
Non pas qu’elle apprécie particulièrement les tornades qui s’abattent sur cet Etat à intervalles réguliers, ni les chutes de grêle qui s’apparentent souvent à un déluge de balles de golf. « J’en suis à mon troisième toit en quinze ans », raconte-t-elle en riant.
Mais c’est bien en raison de ces violentes intempéries qu’elle s’est installée ici : informaticienne initialement formée à la robotique, elle a été recrutée par l’école de météorologie de l’Université de l’Oklahoma. A l’automne dernier, disposant d’un financement de 20 millions de dollars de la National Science Foundation, elle a ouvert l’un des premiers instituts nationaux dédiés à l’application de l’intelligence artificielle à la météo et au climat. A l’heure où les nouvelles technologies d’apprentissage automatique deviennent omniprésentes et produisent des résultats étonnants dans la reconnaissance faciale ou la rédaction de textes, le centre de Mme McGovern prend part à une nouvelle initiative visant à déterminer si ces techniques peuvent aussi prévoir l’évolution de la météo.
Selon les modélisateurs, la récente vague de froid qui a détruit des infrastructures et perturbé les chaînes d’approvisionnement au Texas aura coûté à elle seule 90 milliards de dollars
L’institut de Mme McGovern bénéficie de la participation de six autres universités et divers acteurs du secteur privé. Développant des méthodes d’intelligence artificielle pour améliorer les prévisions en matière d’événements climatiques extrêmes et d’océanographie côtière, l’institut veille à ce que les instruments qu’il met au point soient fiables du point de vue des prévisionnistes qui en seront les utilisateurs. « Nous travaillons sur le cycle dans son ensemble, explique Mme McGovern. Il s’agit de sauver des vies et des biens. »
L’intelligence artificielle, qui permet déjà d’accroître l’efficacité des méthodes de prévisions existantes et contribue à en augmenter la rapidité et l’exactitude, semble capable de déterminer avec une plus grande précision l’évolution des intempéries telles que les chutes de grêle ou les tornades. Elle ne remplacera pas les prévisions météorologiques classiques mais renforcera et développera les méthodes actuelles.
Une meilleure efficacité
Des prévisions plus précises et une meilleure préparation aux intempéries apportent des bénéfices considérables. Selon la National Oceanic and Atmospheric Administration, les Etats-Unis ont connu 22 catastrophes météorologiques et climatiques en 2020 – un nombre record – et les dommages causés par chacune d’entre elles ont atteint plus d’un milliard de dollars. Selon les modélisateurs, la récente vague de froid qui a détruit des infrastructures et perturbé les chaînes d’approvisionnement au Texas aura coûté à elle seule 90 milliards de dollars. Et si les prévisions se sont améliorées au fil du temps, elles sont encore loin d’être exhaustives. Selon Mme McGovern, les services gouvernementaux parviennent assez bien à donner l’alerte avant l’arrivée des tornades (anticipant 80 % d’entre elles), mais leurs prévisions comptent de nombreux faux positifs (80 % se révélant erronées).
L’ère moderne des prévisions météorologiques s’est ouverte dans les années 1950 et depuis lors, les spécialistes ont avant tout fait appel à des « prévisions numériques », c’est-à-dire des modèles mathématiques qui simulent l’état du monde et de l’atmosphère en fonction des paramètres physiques de l’eau, du vent, des sols et de la lumière du soleil, lesquels interagissent de multiples manières. Cherchant à intégrer toujours davantage de paramètres, les modèles actuels traitent une centaine de millions de données chaque jour, un niveau de complexité comparable aux simulations du cerveau humain ou de la naissance de l’univers.
Durant des décennies, ces modèles ont permis des progrès réguliers en termes d’exactitude des prévisions. Ces dernières années cependant, la multiplication des satellites d’observation terrestre et l’apparition de nouveaux capteurs, comme les outils de mesure de la pression atmosphérique présents dans des milliards de téléphones portables, ont dépassé la capacité des scientifiques à les intégrer dans leurs modèles météorologiques. Et le traitement d’une seule fraction de ces données a nécessité une augmentation exponentielle de la puissance de calcul utilisée pour réaliser des prévisions précises.
Les dernières technologies d’intelligence artificielle fonctionnent de manière totalement différente des techniques antérieures, en « entraînant » des réseaux neuronaux à l’aide de ce déluge de données plutôt qu’au moyen des lois de la physique. Au lieu de recourir à des calculs exhaustifs pour prévoir l’évolution météorologique sur la base des conditions actuelles, ces réseaux passent en revue les données relatives aux conditions passées et développent leur propre compréhension de l’évolution du temps. Des techniques rudimentaires d’intelligence artificielle sont appliquées aux domaines météorologique et climatique depuis des années – la première conférence sur l’intelligence artificielle parrainée par la National Oceanic and Atmospheric Administration remonte à 1986 – mais les récentes avancées de l’apprentissage profond, de même qu’un meilleur accès aux ordinateurs capables de l’exécuter, se sont traduits par une augmentation rapide de la recherche.
Les prévisions météorologiques actuelles consomment déjà une telle puissance de calcul qu’elles nécessitent l’utilisation des ordinateurs les plus rapides au monde, et les scientifiques s’emploient en permanence à en repousser les limites
L’intelligence artificielle n’est pas utilisée, du moins à ce stade, pour produire seule des prévisions. De fait, les méthodes classiques sont assez performantes : deux semaines avant la vague de froid qui s’est abattue mi-février sur le Texas, le bureau des services météorologiques nationaux de Fort Worth avait prédit des températures inhabituellement basses, et une semaine avant les intempéries, de nombreux modèles en avaient évalué l’intensité à quelques degrés près. Ted Ryan, un météorologue de Fort Worth, explique que les équipes locales recourent parfois à des prévisions produites par un algorithme sophistiqué d’apprentissage automatique afin de déterminer si les résultats sont très différents des prévisions humaines, mais l’utilisation de cet outil ne fait pas partie de leur travail de prévision et de communication quotidien. Il classe l’algorithme « quelque part entre une curiosité et une nouveauté ».
Une autre difficulté posée par l’intelligence artificielle est qu’elle est particulièrement efficace pour prédire des scénarios figurant couramment dans les données qui servent à son développement ; or, les conditions météorologiques importent justement lorsqu’elles sortent de l’ordinaire – comme la vague de froid au Texas, où les températures n’avaient pas été aussi basses depuis 1899.
Ce n’est pas parce que ces nouvelles techniques n’ont pas encore remplacé les méthodes classiques de prévision qu’elles ne vont pas rapidement affecter ces dernières. Les prévisions météorologiques actuelles consomment déjà une telle puissance de calcul qu’elles nécessitent l’utilisation des ordinateurs les plus rapides au monde, et les scientifiques s’emploient en permanence à en repousser les limites. Les techniques d’apprentissage automatique peuvent réduire l’utilisation d’énergie en imitant en partie les modèles météorologiques mondiaux à l’aide de calculs plus simples et moins consommateurs d’électricité – et avec des résultats assez proches en termes de précision.
Sid Boukabara, responsable scientifique au centre d’applications et de recherches satellitaires de la National Oceanic and Atmospheric Administration, estime que les bénéfices seront importants : « Dans le cas de certains composants, l’efficacité pourrait être de 10 à 1 000 fois supérieure. » Il est toutefois trop tôt pour savoir à quel point l’exactitude des prévisions numériques en sera améliorée.
De son côté, le Centre européen pour les prévisions météorologiques à moyen terme effectue actuellement une simulation du globe terrestre sous la forme d’une grille composée de carrés de 9 kilomètres de côté, empilés sur 137 « étages » dans l’atmosphère. Le directeur adjoint du Centre, Peter Bauer, explique que chaque degré de précision supplémentaire entraîne une augmentation exponentielle de l’utilisation d’électricité : le nouveau superordinateur du Centre à Bologne, en Italie, consommera autant d’électricité que 6 000 foyers. Ses collègues et lui s’approchent rapidement des limites de ce qu’ils peuvent dépenser, ou justifier, indique M. Bauer.
Cette année, en faisant appel aux méthodes de l’intelligence artificielle pour améliorer son efficacité, le Centre commencera à élaborer un nouveau modèle mondial, avec une résolution de 1 kilomètre, qui permettra de mieux cerner les tempêtes et tourbillons océaniques, précise M. Bauer. « Des machines plus grosses et plus rapides nous apportent une puissance de calcul toujours plus importante, mais il faut que nous changions radicalement les codes que nous utilisons pour garantir l’efficacité d’usage. »
Des prévisions plus localisées
Les chercheurs jugent l’intelligence artificielle prometteuse dans des applications plus circonscrites, par exemple l’utilisation de l’apprentissage automatique pour produire des prévisions très localisées, plus utiles pour le public destinataire. Les meilleurs modèles météorologiques mondiaux eux-mêmes ont une résolution spatiale de plusieurs kilomètres : s’ils peuvent prévoir avec exactitude le temps qu’il va faire dans un département, ils sont moins à même de le faire pour un quartier. Selon les chercheurs, l’apprentissage profond pourrait permettre de réduire l’échelle géographique et de produire des prévisions plus détaillées, à la manière de ce qui s’est passé dans le domaine de la photographie. L’apprentissage profond complète les prévisions météorologiques issues des méthodes classiques à l’aide d’informations comme la topographie, de façon à déterminer la manière dont des tendances générales se traduiront dans certains lieux en particulier.
L’apprentissage automatique pourrait aussi s’avérer crucial pour l’établissement de prévisions immédiates précises, qui impliquent des calculs rapides hors de portée des méthodes classiques. Au printemps dernier, deux scientifiques de Google Research ont montré que des réseaux neuronaux profonds qui n’avaient fait l’objet d’aucun encodage explicite des lois physiques pouvaient prévoir les précipitations dans les huit heures à venir de manière plus performante que d’autres modèles de pointe. L’un d’eux, Nal Kalchbrenner, explique qu’ils cherchaient à accroître la qualité et la durée des prévisions. « Cela ouvre la voie à une utilisation à grande échelle de l’intelligence artificielle dans le domaine des sciences météorologiques et climatiques. »
Gouvernements et grandes entreprises sont conscients du potentiel de l’intelligence artificielle. En octobre dernier, la National Oceanic and Atmospheric Administration et Google ont annoncé un partenariat visant à étudier comment l’apprentissage automatique pouvait aider l’agence à utiliser de façon plus efficace les données satellitaires et environnementales
Obtenir des prévisions précises ne serait-ce qu’une ou deux heures plus tôt pourrait avoir des conséquences considérables pour les entreprises, qui ne sont pas exposées aux mêmes risques que les particuliers. « Si vous entendez qu’il va y avoir de la grêle, vous pouvez rapidement rentrer votre voiture au garage, explique Mme McGovern. Mais pour un constructeur ou concessionnaire automobile avec 1 000 voitures à l’extérieur, cela prend beaucoup plus de temps. » L’an dernier, elle a co-écrit une étude montrant que l’apprentissage automatique améliorait les prévisions à court terme relatives aux averses de grêle, compensant le nombre limité de données mondiales par l’analyse de milliers de rapports de tempêtes de grêle localisées. Mme McGovern travaille actuellement avec la National Oceanic and Atmospheric Administration à l’élaboration d’une solution opérationnelle fondée sur cette technique.
Gouvernements et grandes entreprises sont conscients du potentiel de l’intelligence artificielle. En octobre dernier, la National Oceanic and Atmospheric Administration et Google ont annoncé un partenariat visant à étudier comment l’apprentissage automatique pouvait aider l’agence à utiliser de façon plus efficace les données satellitaires et environnementales. En janvier, le National Center for Atmospheric Research a investi 35 millions de dollars dans un nouveau superordinateur mieux équipé pour supporter les dernières technologies d’intelligence artificielle. Et la National Oceanic and Atmospheric Administration tout comme le Centre européen ont récemment annoncé des stratégies d’intégration de l’intelligence artificielle dans leurs travaux.
Certains chercheurs de premier plan, prudents quant à l’engouement actuel pour tout ce qui touche à l’intelligence artificielle, soulignent qu’il ne faut pas tout attendre de ces technologies. L’un d’eux, Stephan Rasp, n’y est pas opposé : il a co-écrit l’une des premières études montrant que l’intelligence artificielle pouvait imiter de manière efficace une partie du travail de prévision, et le nom de la start-up qui l’emploie en tant qu’expert en mégadonnées – Climate.ai – fait directement référence à cette technologie. Le chercheur note toutefois qu’une grande part des recherches en sont encore au stade de la démonstration de faisabilité ; si l’application de l’intelligence artificielle à des séries de données simplifiées a été concluante, il existe encore peu d’exemples d’amélioration effective des prévisions météorologiques et climatiques.
Dans ce domaine, il estime qu’il pourrait falloir dix ans pour déterminer où l’intelligence artificielle peut être utile ou non. « Lorsque l’on dispose d’un marteau, on tend à considérer tous les problèmes comme des clous. J’ai l’impression que c’est ce qu’il se passe en ce moment. »
(Traduit à partir de la version originale en anglais par Anne Montanaro)
Comment mettre l’intelligence artificielle à grande échelle (Mohit Joshi)
Comment mettre l’intelligence artificielle à grande échelle (Mohit Joshi)
Mohit Joshi, Président d’Infosys explique comment mettre en œuvre l’IA à grande échelle: les entreprises doivent prendre soin de leurs talents internes, mettre l’éthique au premier plan et développer une stratégie à l’échelle de l’entreprise pour la technologie sur toute la chaîne de valeur( chronique de la Tribune)
Nous sommes fermement ancrés dans la cinquième révolution industrielle, une révolution basée sur l’intelligence artificielle (IA). Tout a commencé par l’ordinateur central, puis les ordinateurs personnels dans les années 1980, suivis par Internet, et enfin l’agilité et la puissance du cloud computing dans les années 2010. Cette cinquième vague informatique sera la plus retentissante à ce jour, avec des capacités qui promettent toujours plus d’initiatives et d’exploration humaines.
Toutefois, un problème se pose. Bien que l’IA soit adaptée aux entreprises, nombre d’entre elles ne parviennent pas à en tirer pleinement profit. L’innovation est tellement rapide que les entreprises n’arrivent pas à suivre le rythme. En 2015, les chercheurs ont publié 10.000 articles scientifiques sur l’IA. En 2019, ce chiffre est passé à 25 000 rien qu’aux États-Unis. Pour de nombreux dirigeants, cette situation est inquiétante, surtout lorsqu’on sait qu’une bonne utilisation de l’IA devrait améliorer les bénéfices de l’entreprise de 38 % et permettrait d’offrir 14 000 milliards de dollars de valeur ajouté aux entreprises d’ici 2035.
Il serait donc judicieux que les entreprises à la traîne tirent les enseignements des organisations plus avancées en matière d’IA. Dans notre étude, nous avons découvert que les leaders en matière d’IA plaçaient la technologie au cœur de leur activité et de leurs modèles d’exploitation. Ils l’utilisent pour découvrir, démocratiser et réduire les risques inhérents à l’utilisation de l’IA. Pour ces entreprises, l’IA fait partie intégrante de leur ADN et leur permet de proposer de meilleurs produits, d’améliorer l’expérience client et d’obtenir davantage de valeur ajoutée auprès de leur écosystème de partenaires.
À l’inverse, les entreprises ayant pris du retard utilisent principalement l’IA pour améliorer l’efficacité plutôt que pour changer la façon dont l’entreprise gagne de l’argent. Pour prendre une longueur d’avance, ces entreprises doivent requalifier les employés, s’assurer que l’adoption de l’IA n’est pas fragmentée, développer des cadres éthiques et de gouvernance solide, et informer les dirigeants des risques et opportunités liés à l’adoption de l’IA. Cela permettrait d’augmenter les marges opérationnelles d’au moins 3 %. Pour une entreprise de services financiers dont les revenus s’élèvent à 10 milliards de dollars, cela équivaut à 300 millions de dollars supplémentaires de revenus, ce qui n’est pas négligeable.
La plupart des talents en science des données se tournant vers les grandes entreprises technologiques, les entreprises de services financiers leaders en matière d’IA se démarquent par leur capacité à requalifier la main d’œuvre. Elles utilisent des plateformes numériques et des outils d’auto-modélisation pour garantir un apprentissage permanent. C’est crucial. Il est maintenant temps pour les entreprises de former leurs talents internes, c’est-à-dire ces employés qui connaissent parfaitement l’entreprise et qui peuvent repérer les cas d’utilisation pertinents pour l’IA plus rapidement que les nouveaux embauchés.
Il est également essentiel de réunir les équipes sous un seul et même cadre d’IA au sein de toute l’entreprise. En effet, des opérations d’IA réussies peuvent accroître les marges opérationnelles d’au moins 6 % (ce qui représente 600 millions de dollars supplémentaires pour une entreprise dont les revenus s’élèvent à 10 milliards de dollars). Ces entreprises visionnaires s’assurent généralement que les équipes commerciales, financières et technologiques travaillent ensemble sur les projets d’IA tout au long du cycle de vie de l’IA, le plus souvent via un centre d’excellence. Les employés sont formés plus rapidement, les bons processus de gestion des changements sont regroupés afin que les solutions d’IA évoluent rapidement du stade de pilote au stade du déploiement et que l’IA au sein de l’entreprise soit en mesure de répondre aux attentes.
Pour obtenir des résultats et développer l’intelligence à grande échelle, il est nécessaire de développer une vision globale de l’IA d’entreprise qui repose sur des plateformes d’IA professionnelles. En outre, en tirant profit du produit visionnaire, du domaine et de conseils d’experts, les entreprises sont assurées d’obtenir des bénéfices exponentiels au fil du temps.
Des cadres d’IA éthiques et de gouvernance solide doivent être établis dès le départ. Cela permet de garantir des déploiements d’IA justes, équitables et impartiaux. Nous avons constaté que ces entreprises qui ont défini ces cadres surpassent d’au moins 25 % les entreprises retardataires sur un certain nombre d’indicateurs de performance clés de l’entreprise. Toutefois, il n’est pas toujours évident d’éliminer toute déformation inconsciente de ces données. C’est ici que le mandat organisationnel pour des solutions d’IA efficaces et explicables intervient.
Les employés qui utilisent l’IA en back office ou avec les clients doivent rapidement être informés des pratiques éthiques. Les algorithmes d’apprentissage automatique doivent être en mesure d’expliquer les décisions qu’ils prennent, de façon à ce qu’elles soient comprises par les autorités d’IA, notamment les régulateurs. Sans ce pilier d’IA, des éthiques d’IA imparfaites peuvent ruiner la réputation d’une entreprise financière en un instant, auprès des partenaires et des consommateurs.
Enfin, les leaders de l’IA doivent connaître l’impact des technologies sur un certain nombre d’aspects, notamment le modèle commercial, les employés, les partenaires, les clients et la société dans son ensemble. De nombreux dirigeants rencontrent des difficultés dans ces domaines et n’ont qu’une vague idée de la façon dont l’IA peut améliorer les marges et leur permettre de devancer la concurrence. Si 2020 est l’année de l’IA, alors cela doit également être l’année au cours de laquelle les dirigeants des entreprises financières commencent leur apprentissage de l’IA.
L’IA étant présente dans tous les aspects de notre vie, le temps est venu pour les entreprises d’accélérer le mouvement vers des statuts d’IA visionnaires. De l’IA normatif utilisé dans les stratégies de fonds de roulement et la réduction du risque opérationnel au traitement du langage naturel utilisé pour extraire les attributs sensibles des contrats, les applications innovantes de l’IA améliorent les entreprises de services financiers et leur permettent d’être plus rapides et plus agiles.
Pour mettre en œuvre l’IA à grande échelle, les entreprises de services financiers doivent prendre soin de leurs talents internes, mettre l’éthique au premier plan et développer une stratégie à l’échelle de l’entreprise pour la technologie sur toute la chaîne de valeur. Ce faisant, nos clients seront les annonciateurs de la cinquième révolution industrielle.