Une start-up spécialisée dans la météo et l'IA surpasse les prévisions des organismes publics

Un nouvel outil de prévision météorologique basé sur l’IA, lancé aujourd’hui par la start-up WindBorne Systems, fournit des prévisions plus fréquentes et plus précises sur les variables clés que le système de référence mondial développé par les gouvernements européens, grâce à des améliorations apportées à la manière dont les données des capteurs sont intégrées dans les modèles d’apprentissage profond.

Fondée en 2019 par un groupe d’étudiants de Stanford, WindBorne s’était initialement concentrée sur la conception de ballons-sondes plus performants dans le but de commercialiser des données météorologiques. Cependant, après l’émergence des modèles d’apprentissage profond pour les prévisions météorologiques en 2022, l’équipe a compris qu’elle pouvait créer davantage de valeur en développant également son propre modèle.

WindBorne affirme que la dernière version de son modèle surpasse à la fois les systèmes traditionnels et ceux basés sur l’IA de l’ECMWF pour plusieurs variables. Selon Kai Marshland, directeur des produits, une façon simple de comprendre cela est de dire que WeatherMesh 6 « est aussi précis à cinq jours qu’une prévision traditionnelle l’est la veille », en particulier pour les mesures de température au sol.

C’est aujourd’hui que sort la sixième version de ce modèle, WeatherMesh, que l’entreprise présente comme plus précise que les prévisions traditionnelles et celles basées sur l’IA produites par le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) — l’organisation intergouvernementale largement considérée par les météorologues comme le principal fournisseur de prévisions météorologiques précises à l’heure actuelle.

WeatherMesh 6 génère une prévision toutes les heures, contre toutes les six heures pour les modèles traditionnels. Sa résolution a été réduite à 3 km en Europe et sur le territoire continental des États-Unis, où la qualité des données est la plus élevée.

Les prévisions météorologiques traditionnelles s’appuient sur des modèles physiques complexes qui nécessitent des supercalculateurs coûteux et dont l’exécution prend beaucoup de temps. Les modèles d’IA — développés par des start-ups et de grands laboratoires comme Google DeepMind — ont tendance à fonctionner plus rapidement que les modèles physiques, mais offrent actuellement une résolution inférieure, moins de variables et une précision moindre sur des horizons temporels plus longs.

Néanmoins, l’IA appliquée à la météorologie progresse rapidement et est déjà utilisée par de grandes agences gouvernementales à travers le monde. Les chercheurs s’efforcent de l’intégrer aux systèmes qui agrègent les données météorologiques et produisent les prévisions destinées au grand public.

WindBorne tire parti de sa combinaison unique de création de modèles et de collecte de données. L’entreprise dispose actuellement d’environ 400 ballons en vol à tout moment, recueillant les relevés des capteurs depuis 15 sites de lancement à travers le monde. Les améliorations apportées à son modèle actuel proviennent d’affinements dans la manière dont les données collectées par les ballons sont intégrées aux modèles.

« Personnellement, je ne comprends pas le modèle économique d’une entreprise de prévisions météorologiques basée sur l’IA qui ne disposerait pas d’un avantage en termes d’ensembles de données », a déclaré John Dean, PDG de WindBorne, à TechCrunch.

La supériorité du CEPMMT tient à son expertise en matière d’« assimilation des données » — le processus consistant à convertir des relevés de capteurs disparates en une représentation complète et lisible par machine du monde. Pour l’instant, les modèles météorologiques basés sur l’IA s’appuient sur des ensembles de données produits par le CEPMMT et l’Agence américaine d’observation océanique et atmosphérique (NOAA).

Mais WindBorne et d’autres organisations s’efforcent d’alimenter directement ces modèles avec leurs propres données. Joan Creus-Costa, responsable de l’IA au sein de l’entreprise, explique que l’intégration directe des données provenant de leurs ballons et d’autres sources est la principale raison de l’amélioration observée dans la nouvelle version de WeatherMesh. Il a fallu un an de mise au point et de refonte de l’architecture du modèle basé sur le Transformer pour fournir ces prévisions sans perte de stabilité.

« Lorsque nous avons commencé à pratiquer l’assimilation des données, nous dépendions encore très fortement de l’ECMWF », a déclaré Dean. « Je pense qu’aujourd’hui, si nous supprimions les conditions initiales fournies par l’ECMWF, nos prévisions resteraient tout de même assez fiables. »

L’entreprise a connu une frayeur l’année dernière lorsqu’un avion de ligne de United Airlines a percuté l’un de ses ballons. Bien que l’appareil ait subi des dommages mineurs, personne n’a été blessé, en partie parce que WindBorne respectait la réglementation américaine concernant la taille de ses ensembles de capteurs. Désormais, cependant, l’entreprise a équipé ses ballons de transpondeurs qui transmettent leur position via le système mondial de surveillance aérienne ADS-B, afin de réduire le risque d’une nouvelle collision.

WindBorne, qui a levé 25 millions de dollars de fonds de capital-risque et dont la valorisation serait de 85 millions de dollars en 2024, vend les données de ses ballons à la NOAA (pour les opérations américaines de prévisions météorologiques), à l’armée de l’air américaine et à la marine. L’entreprise vend également ses prévisions à des investisseurs et à des négociants en matières premières. Mais Dean précise que l’entreprise continue de se concentrer sur le développement de son modèle et de son infrastructure de données plutôt que sur des produits commerciaux, en partie en raison de la nature évolutive de l’environnement de l’information.

« Je ne cherche pas à mobiliser une équipe massive pour développer un produit SaaS, si d’ici deux ans, les gens souhaitent obtenir des informations grand public par l’intermédiaire d’un agent, n’est-ce pas ? », a déclaré Dean.