Google utilise des anciens rapports d'actualités et l'IA pour prédire les inondations soudaines

Google utilise des anciens rapports d'actualités et l'IA pour prédire les inondations soudaines

Les inondations soudaines figurent parmi les événements météorologiques les plus meurtriers au monde, tuant plus de 5 000 personnes chaque année. Elles sont également parmi les plus difficiles à prévoir. Cependant, Google pense avoir résolu ce problème de manière inattendue — en analysant les nouvelles.

Bien que les humains aient rassemblé une grande quantité de données météorologiques, les inondations soudaines sont trop éphémères et localisées pour être mesurées de manière exhaustive, comme la température ou même les débits des rivières au fil du temps. Ce manque de données signifie que les modèles d'apprentissage profond, de plus en plus capables de prévoir la météo, ne peuvent pas prédire les inondations soudaines.

Pour résoudre ce problème, les chercheurs de Google ont utilisé Gemini — le grand modèle de langage de Google — pour trier 5 millions d'articles d'actualités du monde entier, isolant des rapports sur 2,6 millions d'inondations différentes, et transformant ces rapports en une série chronologique géo-tagguée appelée “Groundsource”. C'est la première fois que l'entreprise utilise des modèles de langage pour ce type de travail, selon Gila Loike, responsable produit chez Google Research. L'ensemble de recherche et de données a été partagé publiquement jeudi matin.

Avec Groundsource comme référence dans le monde réel, les chercheurs ont formé un modèle basé sur un réseau de neurones Long Short-Term Memory (LSTM) pour ingérer les prévisions météorologiques mondiales et générer la probabilité d'inondations soudaines dans une zone donnée.

Le modèle de prévision des inondations soudaines de Google met désormais en évidence les risques pour les zones urbaines dans 150 pays sur la plateforme Flood Hub de l'entreprise, et partage ses données avec des agences de réponse aux urgences à travers le monde. António José Beleza, un responsable des interventions d'urgence à la Communauté de développement de l'Afrique australe qui a testé le modèle de prévision avec Google, a déclaré que cela avait aidé son organisation à répondre plus rapidement aux inondations.

Cependant, le modèle présente encore des limitations. D'une part, il a une résolution relativement faible, identifiant les risques sur des zones de 20 kilomètres carrés. De plus, il n'est pas aussi précis que le système d'alerte aux inondations du National Weather Service des États-Unis, en partie parce que le modèle de Google n'incorpore pas les données radar locales, qui permettent un suivi en temps réel des précipitations.

Une partie de l'objectif est que le projet a été conçu pour fonctionner dans des endroits où les gouvernements locaux ne peuvent pas se permettre d'investir dans des infrastructures de détection météorologique coûteuses ou ne disposent pas de dossiers météorologiques étendus.

Juliet Rothenberg, responsable de programme au sein de l'équipe Résilience de Google, a déclaré aux journalistes cette semaine : “Parce que nous agrégons des millions de rapports, l'ensemble de données Groundsource aide en réalité à rééquilibrer la carte. Cela nous permet d'extrapoler vers d'autres régions où il n'y a pas autant d'informations.”

Rothenberg a ajouté que l'équipe espère que l'utilisation des LLMs pour développer des ensembles de données quantitatives à partir de sources qualitatives écrites pourrait être appliquée à des efforts visant à constituer des ensembles de données sur d'autres phénomènes éphémères mais importants à prévoir, comme les vagues de chaleur et les glissements de terrain.

Marshall Moutenot, le PDG de Upstream Tech, une entreprise qui utilise des modèles d'apprentissage profond similaires pour prévoir les débits des rivières pour des clients comme les entreprises d'hydroélectricité, a déclaré que la contribution de Google fait partie d'un effort croissant pour rassembler des données pour des modèles de prévision météorologique basés sur l'apprentissage profond. Moutenot est cofondateur de dynamical.org, un groupe qui compile une collection de données météorologiques prêtes pour l'apprentissage automatique pour les chercheurs et les startups.

“Le manque de données est l'un des défis les plus difficiles en géophysique,” a déclaré Moutenot. “En même temps, il y a trop de données sur la Terre, et quand vous voulez évaluer par rapport à la vérité, il n'y en a pas assez. C'était une approche vraiment créative pour obtenir ces données.”