Claire MONTELEONI (2024) L’intelligence artificielle au service des sciences du climat …

Claire MONTELEONI (2024) L’intelligence artificielle au service des sciences du climat à partir de données collectées, issues de modèles, observées par télédétection et mesures in situ.
Colloque Environnement et Climat – Port-Vendres 13 Juin 2024
L’intelligence artificielle au service du climat
Conférence de Claire MONTELEONI ((INRIA PARIS, professeur Université du Colorado BOULDER, USA)

merci pour l’invitation euh oui euh je suis prof en informatique dont jeenseigne Ia aux États-Unis mais j’ai une très belle recrutement de votre gouvernement pour euh rechercher le Ia et en en particulier je monte une équipe projet à INRIA qui traite euh le changement climatique et confronter les problèmes de durabilité envra environnementaux euh avec de l’ euh là c’est une belle photo que j’ai pris il y a deux étés à Aspin Colorado et ça montre qu’on peut vivre tous ensemble à les animaux euh sauvages euh avec la nature et l’infrastructure humaine et ça c’est une rêve qu’on peut euh qu’on peut mettre en priorité mais en même temps là il y a une photo beaucoup plus triste de ce parti du du monde au Colorado il y a 2 ans euh et c’est un exemplaire que les euh les les dangers des événements extrêmes météo euh peut impacter sur notre société humaine euh et et plus c’est c’est plus prononcé quand il s’enchaînent euh par exemple on avait sécheresse dans ce région là et dans ce région quand on n pas de neige ça c’est notre première source de de l’eau alors on avait pas de neige depuis toute l’autumne et hiver 2021 alors les les herbes et le ouverture du sol était très très sèche finalement euh il y avait il y aura euh une tempête de neige mais juste avant euh il y avait avec cette tempête il y avait des ventes très très fortes euh genre jusqu’à 1660 km parh alors dès qu’il y avait une initi euh de feu ah c’est devenu une grand grand feu de forêt qui a sauté notre autoroute majeure dans plusieurs lieux àorté par des petites pièces de bois eu en euh qui brûlit et tout d’un coup une une après-midi euh plus de 1000 maisons étai complètement détruite et ça n’est pas dans la forêt ça n’est pas dans la montagne ça n’est pas aux frontières avec le le forêt sauvage c’est dans notre bon lieu deed vert et en fait c’était pas même une une feu de forêt euh porté par des arbres c’était porté que par d’herbes c’était euh dans notre Bonlieu une autre exemple euh avec les événements extrêmes qui peuvent enchaîner pour avoir des très grands impacts c’était à 2018 en Californie et comme ici au Méditerranée dont on a plusieurs de maisons et villages tout près du côte du mer et après on a des collines et après des petits montagnes là on avait une sécheresse c’est Californie alors il y avait du scheeresse il y avait une feu de forêt dans les collines et montagnes qui étaient juste arrière des des villages et avec ça euh le le trace de feu de forêt c’est il n’y a pas beaucoup des arbres évidemment alors quand il y avait une pluie très intense il y avait une glissement de terre une éboulement et c’est c’est horrible quoi on a des très grands pierres qui viennent dans votre salon et on avait une une telle perte de vie en plus de les le rupture de notre infrastructure alors je je montre ça ça c’est des exemplaires aux États-Unis vous avez le tout tout à fait la même chose au région Méditerranée et on a déjà des impacts très très profondes et avec cette motivation là et aussi les évidences faites par exemple par les JAC de notre chauffement climatique pendant plus de 15 années je me j’ai ciblé mon agende de recherche en IA pour mieux confronter le changement climatique là tous ces photos sont soit de Colorado ou Californie mais vous avez maintenant pas mal des des exemplaires en France en Espagne en Italie grce et je suis contente que après un peu de temps aussi à Davos euh le Forum économique mondial aussi a lancé une appel à à agir qui s’appelle c’était une livre blanc qui s’appelait exploiter l’intelligence artificielle pour la terre ils ont aussi reconnu notre notre chemin de recherche qui s’appelait climate informatics veut dire faire la même chose pour le science de le climat que le bioinformatique a fait pour le bioin pour la biologie c’est de très accélérer avec les algorithmes d’apprentissage automatique le l’algorithme de Ia et ce qu’ils disent c’est que oui on sait bien que les IA peuvent croire fait augmentter notre économie notre GDP et les économies pour exemple en ligne trouver des vidéos des chats mais est-ce que on peut utiliser l’IA aussi pour protéger notre terre et confronter le changement climatique bon aujourd’hui c’est une très très euh euh c’est une une très euh une c’est bien d’être dans ce champ-là comme tous les deux Philippe euh j’ai vu que euh notre journaux que nous avons lancé à à au les derniers jours de 2020 euh 2020 euh chaque année avait une euh nombre d’articles de articles euh sumés au revous qui doublait alors euh parce que il y avait un petit peu de lacune euh on a les journaux en informatique qui prioritisent que les algorithmes après on a les journaux dans les domaines qui prtisent pas beaucoup les méthodes d’analyse mais plutôt les résultats scientifiques alors on est à cette euh Carrefour et il y a beaucoup de besoins et intérêt aussi parce que on a une le jeunesse maintenant qui s’intéresse beaucoup à confronter le changement climatique même qu’ils étudent n’importe lequel sujet euh alors tous ces champ de sciences de données aussi avec leiaa peuvent confronter des des problématiques environnementaux bon et ce que je fais aujourd’hui euh c’est une aperçu de Les enjeux les problématiques dans lequel on a déjà vu que l’IA peut-être appliqué peut aider et aussi euh notre euh bout euh pour le le l’avenir de notre recherche et en fait l’équipe projet que je monte euh h par à le même n mais en anglais a research climate change envirmental sustainability ou arches alors je donne ici une résume et après plus ou moins une diapositive pour un exemple sur chacun de des trois axes que j’ai j’ai mis dans ordre de euh de euh chronologique par exemple avec tous les feux de forêt les les éboulements de terre ça se passe déjà et euh on on a envie peut-être des utiles de prévisions basé sur le Ia pour mieux euh mieux prévenir aux communautés dans le chemin des des extrêmes comme les urganes ou les feux de forêt et il faut cour TER ou même now casting ça veut dire prédiction en temps réel je voudrais dire aussi le adaptation au changement climatique c’est là quand on a beaucoup il faut s’engager très bien bien avec les communautés les municipaux et ceux qui font les décisions et c’est pour ça aussi que je suis contente d’être venue parce que je je j’ai connu que c’était une mélange d’expertise et de policie et euh je parlerai après enfin de le justice climatique et le héritage de l’injustice climatique à au moins aux États-Unis que je je connais euh alors moyen terme là on traite de la atténuation des pires risques de le changement climatique ça veut dire qu’est-ce que on peut faire euh maintenant jusqu’au moyen terme 5 10 années pour pour que on émise moins de carbone et on peut atténouer peut-être la rapidité de cette réchauffement climatique là je vais parler de comment l’a peut accélérer la transition énergétique et finalement au long terme quand même le JAC le NASA autres groupe demande au climat climatologues des prévisions long terme ça c’est difficile à faire mais l’IA peut peut aider à quand même à réduire les incertitudes bon euh et pour pour expliquer notre façon de faire cette cherche euh notre approche eu importante c’est que on peut utiliser tout type de données qu’on a et ils sont assez différents en fait euh comme on a déjà entendu on a des modèles physiques qui simulent l’atmosphère l’océan processus sur terre et processus dans la criryosphère et comme le euh modèles de circulation générale qui sont utilisés dans les prévisions de la Jack mais on a aussi les modèles numériques de prévision météorologique j’ai entendu qu’il y a le Météor France et euh ce type de modèle faisait des prévisions 7 ou 10 jours en avance avec plus de précision euh au niveau de euh échelle d’espace euh mais pourquoi pas ne traite pas les simulations comme donné pour être à l’entrée du d’un entraînement de Ia pourquoi pas et ça c’était notre observation originale il y a HM 16 ou 15 ans parce que ça nous aide je veux dire que l’avenir n’a pas des observations la l’avenir euh il y a très faible de données ou pas du tout de données sauf si on considère les simulation physicau comme données après oui on a les données de téé détection et c’était très bien expliqué ce matin mais c’est éparce quand on regarde dans le passé et dans le le passé long terme il n’y Ava il n’y avait pas évidemment les satellites et même les stations in tout c’était beaucoup plus éparce alors cette cette temps de observation c’est assez récent c’est très très dense maintenant dans l’espace mais c’est pas très long dans le temps euh et je fais un point sur cette cette type de données au milieu qui s’appelle données de réanalyse et en fait il y a un processus l’assimulation de données qui des experts des experts dans la physique et les météo et le mathématique on cré depuis euh euh trentaines cinquantaines d’années et c’est très important et intéressant il prend les observations et pour faire une jeu de données sur une maille de lattitude et longitude il utilise les lois de physique parce que le physique dit que on doit avoir équilibre d’énergie et de euh de énergie et autres lois physique et comme ça on a une produit de données un jeu de données au maill de spatial mais qui respecte les lois de physique pourquoi je je je parle de ça alors dès euh à peu près la fin de 2022 alors les dernières deux années il y avait une rupture une révolution dans le prévision de météo à terme de 7 ou 10 jours chaque entreprise dans la hightech qui font leur modèle préféré de Deep learning apprentissage de neuron profonde ont entraîné leur modèle préféré sur une seule jeu de données le ra5 qui a été montré par Philippe et juste comme le chat GPT c’est intelligent seulement parce que ce que tous les humains dans l’histoire a déjà écrit en ligne était intelligent ou pas c’était entraîné sur ça et les modèles médéo qui font des des prévisions mieux que les que les euh méthodes traditionnelles maintenant qui est qui était récemment montré par le ecmw WF icmwf c’est le European Center for medium range weather forecasting qui a montré que le Google deep mind et la Huawei ont chacun une modèle de Deep learning qui a le performance mieux que leur euh modèle traditionnel basé sur le physique mais il s’est basé chacun s’était basé sur entraînement sur une seul jeu de données qui était financé pour le par le union europée avec le projet Copernicus et qui a dû utiliser beaucoup beaucoup de expertise humaine pour faire des algorithmes et les règles et mieux comprendre les lois de physique alors juste comme le chat GPT est basé sur notre expertise dans l’historique même chose ici alors peut-être on peut aller dans une euh prochaine étape dans lequelle on peut utiliser le Ia que sur euh que euh que sur les données observées ça ça c’est la prochaine étape mais pour le moment c’est basé sur le réanalyse bon autre autre mot sur notre approche au niveau du méthode euh euh quelqu’un a déjà parlé de label c’était intéressant mot anglais traduit mais ça ça veut dire la annotation on a beaucoup des images des chats sur l’internet N et pour entraîner une modèle pour reconnaître les chats dans les images avant il fallut quelqu’un de annoter là il y a un chat là il n’y a pas un chat et en ça ça s’appelle labeled annoter les données et euh donc dans notre champ géospatial on a plusieurs de mesures beaucoup de télédtection beaucoup de données et on a beaucoup plus de données euh que des données déjà annotées alors c’est mieux de s’appuy sur les méthodes qui n’a n’a pas besoin de les labels et cet euh cet euh cadre s’appelle l’apentissage euh non supervisé et la la plupart maintenant de méthodes pour confronter à ça c’est de désigner une méthode auto supervisé et peut-être dans le le discussion je peux donner des détails j’ai j’ai j’ai j’ai pas allé dans les détails mais c’est notre façon de de faire maintenant dans mon équipe et aussi le Ia génératif euh je voudrais juste noter que peut-être si vous n’est pas practicionné de Ia et tu lit le journaux quand il parle de le Ia génératif normalement il il parle de générer par exemple le le texte le large language model comme le GPT mais en fait le technologie le modèle d’entraînement c’est mathématique ça ça ne doit pas être enchaîné entraîné sur les données qui qui sont les documents de texte on peut les entraîner sur les données de météo une champ spéciale des vent une champ spétiale de pression ou température alors nous on utilise le Ia génératif comme ça et parce que pourquoi parce que on peut avoir des scénarios on peut peut avoir des probabilités les incertitudes et c’est mieux entreprenable pour les communauté h après h nous travaillons dans une dans la nous sommes conscientes que le le le climat change alors on peut pas utiliser que les les les algorithmes appren S qui sont enseignés dans le premier cours de la Masters parce que là on a les les fortes assumptions par exemple que le donné ne change pas avec le temps ça veut dire independent Identic distribut data c’est une assption dans statistique mais ça ne marche pas avec le marché aussi par Wall Street mais aussi avec le changement climatique bon ok je je donne un aperçu de chacun de notre axes on revient au les les grands événements extrême de débout et on a on a montré qu’on peut prédire le chemin de Hagan une jour avant avec plus de de précision que les modèles conventionnels au National Hurricane Center aux États-Unis mais maintenant c’est déplacé avec les résultats de Huawei et deep mind qui font déjà mieux euh préduire le le chemin de ouragan 7 jours en avance que les méthodes traditionnelles après on a collaboré avec quelques départements d’État par exemple en Inde ici en France pour quelques problématique par exemple le mousson le monsoun dté en Inde ça a des grands impacts sur toutes le GDP parce que ça a des impacts sur l’agriculture et pour savoir quand il y aura de la sécheresse quand il y aura de la crue inondation euh quelques mois avant ça peut vraiment aider et on a utilisé pas que de le raison de neuron profonde on a utilisé aussi les méthodes de le analyse causale qui viennent aussi de le apprentissage automatique probabilistique euh on a fait une projet avec le Méo France Grenoble parce que là les et capteur pour savoir quand il y avait une dépô d’avalanche les capteurs sont vraiment des humains qui doivent randonner divivers dans les couloirs de Hute Morien et h morian et c’est dangereuse alors on a donné du sol mais c’est très limité et on peut pas avoir plus c’est biasé parce que soit quelqu’un euh par hasard lance une avalanche euh ou aussi d’habitude les couloirs sont plus accessibles son lesquels près des des stations de ski alors on a les données très peu sur terre mais on a le télédtection on a beaucoup de données de télédction et là on a montré que en fait c’était mieux d’appuyer sur les méthodes non supervisé au cause de ça la supervision eu avait besoin de ces gens qui rendent donné dans les conditions dangereuses mais avec le non superervisé on peut avoir plus de précision euh euh maintenant je je parle de de les h de l’avenir et ce qu’on fera euh j’ai parlé de cette révolution dans le Ia pour le météo on aide avec ça on vient de avoir notre euh revu euh article accepté euh ça veut dire si euh en ce en ce article on a montré s’il y a une prévision numérique fait par des modèles de physique euh peut-être on voudrait quantifier ou réduire l’incertitude dans la prévision à quelques sites ou quelques stations alors on peut utiliser le Ia probabilistique génératif pour créer une pour synthéser toute une ensemble de prévisions probabilistiques euh alors quelques quelques méthodes qu’on veut utiliser aussi les modèles de diffusion à après en fait euh le le deuxème Philippe qui qui est dans le Latmos on on a lancer notre équipe commune avec le l’Atmos et là il traite beaucoup de donner des précipitations ça nous intéresse pourquoi alors c’est une une des grands causes pour les inondations les feux de forêt les événements très très extrêmes mais mais en même temps le donner c’est très difficile à mesurer imaginez que la plupart de le monde c’est couvert par la mer les océans on peut pas mettre juste une verre sur l’océan pour racueillir le la pluie après c’est pas une distribution normale c’est discrète en en temps et dans espace et ça fait partie de notre travail sur événement météorologique extrême évidemment ils ont des gros impacts sociaux mais au niveau de le défi qu’on a pour lesiaa c’est que par définition si un événement est rare alors on n pas beaucoup des exemplaires dans dans le le donnée historique et c’est ça donne une équilibre euh après on avou que les les grandes entreprises hightech qui font le le prévision météo il ils entraînent les il a dans les euh dans les euh utilisant les entraînements standard ça veut dire on favorise les modèles qui ne font pas beaucoup des erreurs en moyenne mais si on favorise performance en moyenne qu’est-ce qui se passe sur les euh coûts de distribution le les euh tails ça veut dire les événements extrêmes par exemple euh très très chaud très très froid très beaucoup de pluie beaucoup moins de pluie alors ça c’est une champ pour nous aussi euh 2è axe je donne que une positif ici mais c’est euh la l’atténuation de le changement climatique ou quand même des PIR risque de changement climatique et en gros on cible de diminuer les émissions de Carbon euh une levierier c’était de accélérer la transition vers l’énergie verte on a montré et ça c’était aux États-Unis dont nous avons travaillé avec le National renewable energy Lab enrel au Colorado aussi à montré que euh dans une marché capitaliste si j’opère une Gride électricité c’est important à moi que que les coûte soit bas mais si j’ai d’citude de quand il fait soleil ou quand il fait du vent à assez pour avoir ces sources r renouvables d’énergie quand il y a une grosse incertitude alors ça coûte plus pourquoi parce que je dois être prête à faire le équilibre du de besoins sociétux avec autres sources et les source peut-être cher il peut-être aussi cher dans dans impact charbone carbone alors on a montré que avec leapentissage à de raisonsv profonde séquentiel on a pu déinir l’incertitude une une moin d’incertitude aux États-Unis ça raduit directement à moins coû alors ça fait une levier pour que ils utilisent plus de par exemple solaire maintenant on a deux projets EDF je fais partie d’une défi EDF in ria mais aussi une autre projet et eux il ils comprend ils comprennent bien que avec le changement de circulation des vents parce que le le réchauffement climatique c’est c’est une chose aussi on aou que aussi les circulations sont en train de euh changer on a vu des exemplair des sécheresses et des polar vortex alors les vents changent peut-être notre aolien ne sont pas dans les lieux optimaux et où est-ce que on doit mettre les aoliennes en même temps les conditions changent il y a ement des évidences que au moyenne le niveau de vent euh diminue au moyenne mais quand même on peut avoir des extrêmes de vent très très fortes les éolienne actuel ne fonctionne pas dans cette condition de vente c’est trop fort pour eux alors il faut reconcevoir re développer le aolien d’avenir pour être opératif dans ces conditions-là et probablement les déplacer euh et même chose avec les parcs photovoltaïques et les panneaux photovoltique parce que il y a évidence que les températures et les motif de irradiance de oléement sont en train de changer et euh je vais expliquer un tout petit peu comment on on fera ça avec le Ia après euh aussi on a on vient de lancer un nouveau projet j’ai un étudiant qui a en fait deux étudiants qui sont venu de Canada et ils ont fait plus ou moins la même chose de regarder le source de charbon de carbone ou estimer euh le le le forêt le volume de forêt en Canada c’est c’est très important ils ont utilisé le Ia euh mais cette étudiant a noté que H dans le champ de de climatologue il existe des incertitude très très grande à les effets les impacts que chaque changement de utilisage de terre ou de terrain peut avoir sur les flux carbon sur le cycle de Carbon ça peut-être soit de CO2 soit de méthane mais c’est très incertain euh alors si je coupe toute une forêt et j’ai après un agriculture oui probablement j’ai moins de puit de carbone mais aussi par hasard il y a un feu de forêt après j’ai pas des arbres j’ai que des euh et euhh qu’est-ce que qu’est-ce qui se passe qu’est-ce que l’échelle de l’impact dans le temps et l’espace en fait là on a beaucoup des incertitudes et c’est difficile alors pour les communautés de euh décider euh que faire alors on on espère en parlant avec les modilisateurs de processus de terre par exemple à IPSL qu’on peut aider avec l’IAA c’est beaucoup vite avec le Ia de émuler une modèle comme ça et de générer plus de scénarios et des ensembles pour euh pour m pour mieux comprendre euh ces ces enjeuxlà mais nous sommes en train de monter ce projet et euh finalement avec cette révolution sur les IA pour météo HH les les grandes entreprises euh on on montré que après leentraînement qui est dur au niveau de de numérique mais qui dure une seule fois après pour faire les prévisions c’est très rapide quelques secondes quelques secondes on a la prévision pour tout le monde 10 jours en avance toute la météo mais à Rome par exemple la météo France fait la prévision météo en quelques heures ça veut dire on n’a pas une prévision chaque minute ça ça vient quelque fois par jour et c’est lourd parce que c’est le H l’ordinateur de haute puissance et h et là ça a un emprunte euh carbone et ça c’est intéressant il y avait avant cette demande les impacts de l’IA et c’est vrai en général je suis chercheuse dans ila et en général oui pour demander à chatpt mon vidéo de vacances c’est lourde mais h prévision de météo là c’est un champ dans lequel il a peuvent diminuir le le euh le besoin numérique parce que pour préviser c’est très très vite très efficace plus que les modèles physiques au niveau de modèle climatique h ça peut-être ça peut faire une prévision dans des heure qui pour le jack avant utiliser par exemple les mois mais on nous ne sommes c’est une demande ouverte si il a peuvent faire la prévision au niveau du climat parce que le climat c’est nonstationarité et c’est pas le le façon dans lequel il a pour le météo sétait entraîné h le le communaité ne ne sache pas déjà si ça marchera aussi de les grandes échelles et ça c’est une chose dans lequelle aussi nous nous travaillons euh finalement euh euh le troème axe c’est quand quelqu’un euh demande pour une prévision long terme alors là on utilise comme j’ai dit les prévisions des des modèles mais les prévisions de les modèles sont à grandes échell je vais expliquer dans le prochaine diapositive euh je voudrais juste dire que mon premier article dans ce champ là c’était avec un des coauteurs de Jack un modéisateur et ils disent regardez dans l’avenir le quelques modèles de Météo France et de IPSL et de NASA et de allemand et Japon il ils sont d’accord dans le passé mais dans l’avenir ils ne sont pas du tout d’accord par exemple si le précipitation en moyenne va augmenter ou diminuir on a beaucoup de demandes ouvertes avec beaucoup de incertitude quand on compare les modèles euh de niveau global qui contribuent à l’IAC il il ne s’accorde pas et euh ce qu’on a fait c’était une euh trajectoire de recherche montrant que le Ia est pas les raisons de neuron euh profond le online learning with expert advice c’est très c’est très h sobreux en énergie sobriété c’est c’est ça ça ne coûte pas beaucoup au niveau de ordinateur he de ordinateur et on peut adaptivement faire une moyenne avec les poids qui évolue euh ok je je vais pas dans la technique mais on utilise les données historique on les compare au les prévisions de chacun des modèles dans l’ensemble et après on utilise l’algorithme dia pour réduire l’ortie en certitude dans la prévision de toute l’ensemble euh après NASA nous demande des questions très ambitieuses par exemple que soit la tendance de niveau de m 30 ans dans l’avenir et pas que globalement mais aussi sur quelques îles très importants dans le Pacifique c’est un question difficile mais on utilise le Ia je vais expliquer un petit peu euh bon là je donne que une euh exemple de de une des h levier avec le Ia qu’on utilise alors cette euh figure c’était fait par une autre équipe il montre au niveau d’espace sur l’axe X et de temps au l’axe Y le résolution des simulations alors les modèles physiques qui donnent leur avis pour faire les rapports de JEC ils sont le global climate models or general general circulation model c’est en haut et en doit dans la boîte orange au niveau de résolution temporale et spatiale bon nous ne pense nous ne pensons pas que c’est chaque petit cristal de neige a été modélisé c’est bon mais peut-être vous êtes surprise que les cyclones les euh les grands trajectoires et même les nuages ne sont pas même modélisés dans les grands modèles et ça c’est un problème et c’est important par exemple les nuages sont euh sont clés dans l’avenir euh de le changement climatique mais il ne entre pas dans les grands modèles euh après comme on a euh cibler les axes pour confronter le changement climatique il y a un problème dans chacun qui a besoin du d’une échelle plus petite soit en espace soit en temps soit tous les deux par exemple pour le EDF pour reconcevoir les éoliennes de l’avenir et où les placer on on doit penser dans les petits champs que peut avoir quelques éoliennes pas les les très grands boîtes de discrétisations qui sont utilisées dans les GCM alors l’idée de aller d’un champ de données à grand maill à petit maille ça s’appelle downscaling en anglais euh réduire euh les échelles de données et h ça existe ils sont des méthodes pour faire ça mais on veut le faire h dans une euh façon complètement basée déjà sur les données et on peut utiliser on peut entraîner une modèle Ia probabilistique génératif h sur les données euh pour les pour faire cette descente d’échelle dans une façon très euh pilotée par la propriété des données euh ça c’est un exemple que euh qu’on a montré que on a utilisé les les avancés récents dans le champ de le Ia génératif en particulier dans le champ de le domain adaptation alignement de domaine en particulèement normalizing flows peut-être c’est normalisation des fluxes ça c’est ce que PowerPoint m’a traduit euh mais je rentre pas dans les détails mais ce qui est important et ce qui était neuf par rapport aux méthodes dans le champ existante c’est que c’était non supervisé ça veut dire euh on a étudié eu on a fait une modèle pour température une modèle pour précipitation on avait donné euh les deux euh mailles pour chacun des variable mais c’était pas c’était pas obligatoire pour notre méthode d’avoir des images jumellées ça veut dire si j’ai un précipitation à grand maille un jour je dois avoir le donné au même jour au même loc au même lieu au my finine les les méthodes existantes utilisé les h les données annotées comme ça ou lesbaliser comme ça pour nous euh on a besoin que de donner à haute maille et fine maille pour le même variable mais on ne on ne doit pas savoir s’ils étaient au même temps c’était non supervisé au niveau de temps ça fonctionne mieux quand l’espace c’est’est aligné bien on voit le le boîte ici sur le sud est de les États-Unis euh après c’était génératif et un petit peu en enterprenable et que veut dire génératif alors après avoir entraîné la modèle j’ai un distribution de probabilité sur ces cartes de soit précipitation soit température soit à grand ma soit à petit ma je peux échantiller euh de cette distribtion ou je peux donner à entrer à le modèle déjà entraîné une h carte par exemple de précipitation à grandes échelles pour après en en chantier HH les cartes qui correspondent à fineschel euhh et euh une une façon de interprener c’est par exemple par l’ interpolation temporelle c’est ça que je montre ici alors on a déjà entraîné le modèle puis je lui donne que les images au euh euh au gauche et au droite qui sont les cartes de précipitation à fines échelles alors en fait le modèle qu’on a entraîné ça fonctionne dans tous les deux sens le réduire des échelles ou AUG monter des échelles parce que cette modèle peut faire tous les deux alors on a donné cette carte àine échelle on l’a euh euh mapper sur notre espace latente ça veut dire euh une représentation abstrait et h peu dimensieux après on peut conditionner sur cette image là comme donnée d’entrée je peux échantiller eu en fait plusieurs de images ici mais un et même chose ici après on a les lieux dans l’espace euh l’attente qu’on représente pas mais on peut faire une chemin qui euh qui enchaîne les deux points h de le premier temps et le temps après et en fait il y a dans le dans notre é champ Deia dans les méthodes d’IA après il y a tout une debat et quelqu TER pris de comment faire cette chemin là ah c’est intéressant mais euh je je laisse pour la discussion mais si on a une façon de marcher entre les deux alors à chaque lieu on peut échantiller soit à niveau fines échelles soit au niveau haute échelle et comme ça on peut direer au météorologues euh qu’est-ce que vous pensez de cette euh évolution temporine temporelle aux grandes échelles de précipitation ou à finchelle H je voudrais dire que le problème de un Ia de confiance en IA interprenable c’est un champ de recherche actif dans le Ia et en fait beaucoup des demandes sont encore ouverte mais ça c’est une exemplaire de comment entreprener une modèle bon oh je suis presque à l’heure euh euh ok par hasard si vous faites déjà le Ia et tu et vous êtes venus pour l’intéress sur le climat je vous encourage parce qu’en fait on développe des nouveaux algorithmes on peut pas tout le temps utiliser ce qu’il y a déjà existante par exemple j’ai un étudiant qui a montré que l’État deart dans le vision par ordinateur pour descendre d’échelle en temps ça veut dire interpoler en temps un champ en espace de n’importe lequelle donnée géospaciale s’appuie beaucoup sur le flux optique qui est très bien pour les vidéo comme le vidéo de Hollywood ou le vidéo que je prends avec mon cellulaire mais on peut voir que les données géospatiales n’ont pas la profondeur les objets même qu’on a les objets dans les vidéos comme un chat qui marche c’est pas comme une ouragan qui peut euh être complètement éphémère motif qui disparut euh ça ça ne marche pas et quand on utilise ce qu’il y avait dans le vision par nature euh déjà on a les artefacts les traces qui cherche des bords des objets ça marche pas alors il a dû inventer son méthode à lui qui peut-être Aliss un petit peu mais c’est quand même un petit peu peu plus physique et ça c’est le le donné de sol et ça marche en quelques autre exemple ok j’ai juste une dernière message euh et ça je rentre un petit peu activiste euh au moins aux États-Unis il y avait une héritage d’injustice climatique et h je crois que il a peut aussi lutter contre ça eu c’est une la prochaine diapositive c’est un petit peu difficile à regarder euh parce que un météorologue Jack sen aux États-Unis a montré en couleur gris ou noir le pourcentage des afro-américaines dans les qué américaines et le radar de météo radar de météo c’est cher on a pas partout mais c’est dans les cercles avec les radis montré en verte et je lis de nombreuses régions à majorité noire du sud-est des États-Unis soit relativement éloigné des sites radar radar de météo ce qui signifie qu’il est plus difficile de recueillir des informations sur les tempêtes qui ont un impact sur ces zones alors déjà n’importe lequel algorithme on vait euh appliquer pour provisoire déjà le donné c’est c’est injuste c’est pas équilibré et c’est un c’est un grand problème de euh manque de équité et je ne propose pas Ia comme solution il y aura il il doit avoir des solutions politiques des lviers leviers finanau et je ne veux pas jamais voir cette problème encore et c’est en jeu politique aux États-Unis mais je voudrais juste Exor ceux qui travaillent dans ce champ-là de utiliser le Ia pour lutter contre le inégalité des données et ça peut se faire avec les méthodes non supervisées on peut porter le profit le bienfait des régions dont on a beaucoup de données à les région dont le donnée est plus éparce s’il y en a on peut même les fine tunes ou les affiner les modèles avec les données limitées qu’on a dans ces régiones de données faible euh et ça c’est aux échelles locales mais aussi aussi plus généralement comme philosophie parce que on sait que le le les pays du Nord euh ceux qui sont industrialisés sont on on a produit plus de carbone mais les pays du Sud euh en qui sont en développement sont déjà aux frontières des effect de changement climatique quand même il y a généralement plus de données dans les pays du Nord alors j’espère que avec le Ia et le Ia non superervisé on peut entraîner les modèles pour porter les les bienfaits et pour euh pour faire profiter les régions qui n’ont pas beaucoup de de donné euh et c’est mon équipe poer qui quelques-uns ont fait les travau ici et mon nouveau équipe ici et je vous remercie bien