Présentation du modèle
WeatherNext 3 est présenté par Google DeepMind comme le modèle d’intelligence artificielle le plus avancé pour la prévision météorologique à l’échelle planétaire. Le communiqué indique une amélioration de la précision par rapport aux versions antérieures, sans toutefois publier de métriques chiffrées. Le système se veut capable de couvrir l’ensemble des zones climatiques, des déserts aux pôles, en intégrant des variables atmosphériques multiples.
Architecture et données d’entraînement
Les spécifications techniques exactes ne sont pas divulguées. Le texte mentionne uniquement l’usage d’une architecture « AI », ce qui laisse supposer l’emploi de réseaux de type transformer ou de modèles hybrides combinant convolution et attention, courants dans les prévisions numériques. Les données d’entraînement proviennent probablement de sources publiques (satellites, radars, stations au sol) et de jeux de données internes, mais le volume exact reste inconnu. L’absence de détails sur la résolution spatiale ou temporelle empêche d’évaluer la charge de calcul requise.
Évaluation de la précision
La revendication de « plus précis » repose sur des tests internes comparant WeatherNext 3 à ses prédécesseurs et à des modèles classiques de prévision numérique. Aucun score d’erreur (RMSE, MAE) n’est fourni, ce qui limite la vérification indépendante. Le communiqué indique toutefois une supériorité sur des horizons de prévision allant jusqu’à 10 jours, un domaine où les modèles traditionnels voient généralement leurs performances décroître.
Limites et perspectives
Sans publication de la méthodologie, plusieurs incertitudes subsistent. La capacité du modèle à gérer des événements extrêmes (ouragans, tempêtes de sable) n’est pas détaillée, de même que son comportement face à des données manquantes ou bruitées. La dépendance à des infrastructures cloud de Google pourrait restreindre l’accès pour des utilisateurs hors de l’écosystème. Enfin, l’impact carbone d’un entraînement à grande échelle n’est pas abordé, un point souvent critiqué dans les projets IA de grande ampleur.
