Google a dévoilé une nouvelle approche révolutionnaire pour prédire les inondations soudaines, un phénomène météorologique parmi les plus dévastateurs au monde, causant plus de 5 000 décès annuellement. Bien que les modèles d'intelligence artificielle soient devenus performants pour la prévision météorologique générale, ils peinent à anticiper les crues express en raison de leur brièveté et de leur localisation précise, qui échappent aux mesures traditionnelles. Pour combler ce déficit de données, les chercheurs de Google ont exploités les rapports d'actualité historiques. L'équipe a utilisé le modèle de langage Gemini pour analyser cinq millions d'articles de presse issus du monde entier. Cette analyse a permis d'isoler 2,6 millions de rapports d'inondations distincts, transformés en une série chronologique géolocalisée baptisée Groundsource. Il s'agit de la première fois qu'une entreprise utilise un modèle de langage à grande échelle pour créer ce type de base de données quantitative. Ce travail a été rendu public jeudi matin, fournissant une référence réelle indispensable pour entraîner des modèles prédictifs. En se basant sur Groundsource comme donnée de vérité, les chercheurs ont entraîné un modèle neuronal à mémoire à long terme (LSTM). Ce système ingère des prévisions météorologiques globales pour calculer la probabilité d'inondations soudaines dans des zones spécifiques. Ce nouveau moteur de prévision est désormais actif sur la plateforme Flood Hub de Google, alertant sur les risques dans des zones urbaines de 150 pays. Les données sont également partagées avec des agences de gestion des urgences à l'échelle internationale. António José Beleza, responsable de la réponse d'urgence au sein de la Communauté de développement d'Afrique australe, a confirmé que le modèle avait permis à son organisation de réagir plus rapidement lors de récentes inondations. Cependant, le système présente des limites. Sa résolution est 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 du Service national de la météorologie américain, car il ne prend pas en compte les données radar locales permettant un suivi en temps réel des précipitations. Le projet a été conçu spécifiquement pour fonctionner dans les régions où les gouvernements locaux ne disposent ni des fonds pour une infrastructure météorologique coûteuse, ni d'archives historiques étendues. Juliet Rothenberg, gestionnaire de programme chez Google, a souligné que l'agrégation de millions de rapports aide à rééquilibrer la carte mondiale des risques. Elle permet d'extrapoler des informations vers des régions dépourvues de données fiables, offrant ainsi une visibilité là où elle fait défaut. L'équipe espère que cette méthode de création de bases de données quantitatives à partir de sources qualitatives pourrait être appliquée à d'autres phénomènes éphémères mais critiques, comme les vagues de chaleur ou les glissements de terrain. Marshall Moutenot, PDG d'Upstream Tech, a salué cette initiative comme une contribution majeure à un effort plus large pour rassembler des données pour l'IA météorologique. Il a noté que la rareté des données constitue l'un des plus grands défis en géophysique : il existe un excès de données brutes, mais une pénurie de données validées pour l'évaluation des modèles. L'approche créative de Google pour extraire des informations fiables des actualités anciennes répond directement à ce problème fondamental.