AI: Avalanche Intelligence au SLF
Prévision pour le samedi 10 février 2024 pour le sud de la Suisse, émise par un modèle de prévision développé à l'aide de nombreuses données et de la méthode d'apprentissage automatique (ML) : Niveau de vigilance avalancheuse 3 (marqué) avec une tendance à 4 (fort). Après une phase de test de trois ans, un modèle est pour la première fois assis à la table cette année, au sens figuré, lorsque les collaborateurs du service de prévision d'avalanche décident à quelle région ils attribuent quel niveau de danger. Les trois années de préparation ont déjà montré que c'était possible : Les prévisions du modèle sont souvent bonnes. «Parfois, elles ne le sont clairement pas, mais il nous arrive aussi de nous tromper», explique le prévisionniste d'avalanches Frank Techel. Le 10 février, la machine est plutôt du même avis que ses trois collègues humains (voir photo).
L'ordinateur a appris à interpréter le modèle physique maison pour la simulation du manteau neigeux SNOWPACK, que le service de prévision des avalanches utilise en partie depuis des décennies. En d'autres termes, ce qui est nouveau, ce n'est pas l'utilisation d'algorithmes en soi dans la prévision des avalanches, ce qui est nouveau, c'est que les algorithmes analysent et évaluent les résultats d'autres modèles comme la simulation du manteau neigeux et évaluent la situation de manière autonome.
Le projet a démarré en 2019 et est né d'une initiative du directeur du SLF, Jürg Schweizer. Une équipe de chercheurs du SLF et de prévisionnistes d'avalanches y a travaillé, en collaboration avec des collègues du Swiss Data Science Center. Pendant deux ans, la physicienne Cristina Pérez a réalisé des essais avec différentes méthodes et différents jeux de données, a traité les données et a finalement entraîné le modèle avec celles-ci. Pour ce faire, elle a eu recours à des données météorologiques et à des simulations de couverture neigeuse datant de vingt ans, basées sur des mesures du système intercantonal de mesure et d'information IMIS. Cette approche s'appelle Machine Learning. Parmi les défis, il a fallu d'une part choisir les paramètres de manière à ce que les algorithmes soient de plus en plus précis. «D'autre part, il était difficile d'obtenir une bonne précision pour le niveau d'alerte aux avalanches quatre, car ce niveau d'alerte élevé n'est apparu que rarement au cours des vingt dernières années, la base de données était donc assez réduite», explique Pérez. Les collaborateurs du service de prévision des avalanches appellent Palantir la plateforme sur laquelle ils consultent les différents modèles ML, d'après les sept boules de cristal du monde fantastique Arda de J.R.R. Tolkien, dont le continent le plus connu est la Terre du Milieu, et qui montrent des scènes très éloignées dans l'espace et le temps.
Certes, les collaborateurs humains du service de prévision des avalanches utilisent les mêmes données et modèles que l'ordinateur pour leur travail. Mais ils utilisent en outre des informations telles que les observations actuelles sur le terrain et les retours d'informations. L'ordinateur ne dispose pas de ces données. L'algorithme se base exclusivement sur des simulations du manteau neigeux comme input. D'autre part, ne serait-ce que pour des raisons de temps, les hommes choisissent parmi la quantité de données celles qui sont pertinentes pour eux, la machine ne fait pas de sélection. «Les modèles permettent une résolution spatiale et temporelle que nous, les humains, n'atteindrons jamais», explique Techel. L'homme et la machine se complètent. Les algorithmes aident à interpréter des ensembles de données de base. Les deux parties font aussi des erreurs. «La bonne nouvelle, c'est que les modèles font des erreurs différentes des nôtres», explique Techel. Le service de prévision d'avalanche obtient ainsi un deuxième avis indépendant et peut reconsidérer son résultat actuel pour le bulletin d'avalanche en cas de divergences importantes.
L'équipe continue actuellement à développer le projet et souhaite à l'avenir mieux combiner les prévisions humaines et mécaniques. «Cela implique également une présentation des résultats plus intuitive pour le service de prévision d'avalanche», explique Techel.
