Welt der Wissenschaft | Frank Techel (SLF) sur les hommes et les modèles

En plus du modèle physique de manteau neigeux SNOWPACK, qui calcule la stratification du manteau neigeux en un point donné à partir de données météorologiques, trois modèles d'apprentissage automatique ("AI") sont utilisés au SLF. Ces modèles ont "appris", à l'aide de jeux de données d'entraînement, des relations statistiques entre les simulations du manteau neigeux, les données météorologiques et les observations d'avalanches ou les niveaux de danger. Les relations apprises sont utilisées pour prévoir les paramètres pertinents des avalanches (probabilité de déclenchement, niveau de danger) sans l'intervention de prévisionnistes humains.

PG : Dans tes publications, tu écris que la tendance en matière de prévision des avalanches en Suisse est de s'éloigner d'une pure "approche basée sur l'expertise" et de se diriger vers une "approche basée sur les données et les modèles". Est-ce un objectif fondamental chez vous ?

FT : Je ne sais pas si une approche purement axée sur les données et les modèles est vraiment l'objectif, mais je considère qu'une plus grande prise en compte de modèles de plus en plus performants dans le processus de prévision est une évolution logique. Jusqu'à il y a environ cinq ans, nous n'avions en fait dans la prévision d'avalanche que l'observation du jour, les valeurs mesurées du jour et une prévision météorologique pour le lendemain. Nous avions déjà le modèle de manteau neigeux SNOWPACK, mais il était peu utilisé chez nous. Les modèles météo étaient donc les seuls modèles qui ont vraiment joué un rôle. Tout le reste a été fait par les prévisionnistes d'avalanche avec leur expérience, leurs connaissances, leur intuition. C'est ce que j'entends par "Expert Based Approach".

Depuis quelques années, nous disposons de beaucoup plus de données de modélisation. D'une part SNOWPACK, que nous utilisons de plus en plus pour les prévisions, et d'autre part les modèles de Machine Learning, qui viennent quasiment se greffer sur SNOWPACK. Il s'est passé beaucoup de choses depuis le dernier article de PowderGuide sur le sujet. A l'époque, nous avions déjà partiellement testé les chaînes de modèles, mais entre-temps, cela fonctionne de manière très stable et est utilisé de manière opérationnelle. Outre tout le travail de programmation qui a été nécessaire, la formation des signaleurs et signaleuses d'avalanches est également méga importante. Nous devons tous apprendre ce que les modèles peuvent faire et surtout ce qu'ils ne peuvent pas faire.

Apprécies-tu également cette tendance dans les pays voisins, vers les modèles et l'abandon de l'expertise purement humaine ?

Oui. Lorsque je parle avec des collègues au Tyrol, ou en Norvège ou au Canada, il est en fait clair pour tous que les modèles offrent une grande opportunité. Je ne parle pas ici de l'IA, mais de tous les modèles. Il y a certainement encore beaucoup de travail de mise en œuvre à faire, tout comme de la recherche, mais les modèles ont un grand potentiel pour améliorer la prévision des avalanches. J'essaie de faire avancer ce transfert - que les modèles passent vraiment de la recherche à nous pour la prévision des avalanches.

Qu'en est-il de l'"approche axée sur les modèles" dans l'exploitation courante?

Je ne sais pas si je parlerais déjà d'une "approche axée sur les modèles". Mais les modèles offrent déjà un deuxième avis précieux sur la manière d'interpréter les données disponibles. Ainsi, lorsque je fais une prévision, je continue à faire exactement les mêmes réflexions qu'il y a quelques années, mais j'ai aussi un modèle qui me dit quelque chose sur la probabilité d'avalanches spontanées, par exemple.

Parlons un peu plus précisément des modèles que vous utilisez. Peux-tu nous dire brièvement ce que fait SNOWPACK ?

SNOWPACK prend les données météorologiques et calcule en quelque sorte le manteau neigeux. Chaque événement météorologique a une influence sur le manteau neigeux, qu'il s'agisse d'une croissance avec une couche de neige fraîche, ou lorsque de l'eau de fonte s'infiltre, ou autre chose. SNOWPACK simule ensuite ces processus pour un point donné.

SNOWPACK n'est pas un modèle d'IA, mais un modèle physique qui calcule, sur la base de notre compréhension des processus, ce qui se passe dans le manteau neigeux lorsqu'il pleut ou lorsqu'il neige sur celui-ci, par exemple.

Exactement, oui.

Vous avez maintenant plusieurs modèles d'IA, dont le Danger Level Model, l'Instability Model et le Natural Avalanche Model. Que font-ils ?

Nous avons, comme je l'ai dit, les simulations très complexes de SNOWPACK sur des centaines de points de données et pour différentes expositions. Au total, cela fait beaucoup de données qu'il faut d'abord rendre utilisables et interprétables pour le système d'alerte aux avalanches. Avec les modèles d'IA, nous essayons de filtrer les informations les plus pertinentes.

Les trois modèles d'IA sont entraînés à répondre à une question très spécifique. Ils peuvent chacun faire une chose spécifique. Par exemple, le modèle de niveau de danger a appris, avec les données des vingt dernières années, quelle combinaison de données météorologiques et de couches de neige SNOWPACK est approximativement en corrélation avec quel niveau de danger.

Le modèle d'instabilité est différent. Il ne prend que le profil de couche simulé et passe en revue chaque combinaison de couches. À quoi ressemble la couche ? Peut-il s'agir d'une couche fragile et une plaque de neige se trouve-t-elle par-dessus ? Le modèle a appris les corrélations à partir de tests de blocs de glissement. Il indique alors une probabilité qu'il s'agisse d'une combinaison typique d'une couche fragile et d'une "planche" au-dessus. En nous basant sur les données du passé, nous nous attendons alors à un résultat de bloc glissant plus ou moins faible. La combinaison couche-planche la plus défavorable dans un profil simulé classe alors le profil de neige comme faible ou stable.

Le modèle d'avalanche spontanée se base sur le modèle d'instabilité et prend également la neige fraîche comme paramètre. Il a tiré des enseignements d'un ensemble de données historiques sur les avalanches observées. Nous avons utilisé le modèle pour la première fois de manière opérationnelle l'hiver dernier et avons ensuite évalué comment les prévisions du modèle étaient corrélées avec les avalanches détectées par radar. Les données radar proviennent de certains couloirs d'avalanche, où des capteurs fixes détectent lorsqu'une avalanche se déclenche. De tels systèmes sont utilisés par exemple sur les voies de circulation exposées pour des fermetures de routes automatisées. Pour l'évaluation du modèle d'avalanche spontanée, il s'agit d'un ensemble de données intéressant, car le radar enregistre les avalanches quasiment en temps réel. En revanche, les observations humaines des avalanches sont généralement légèrement décalées dans le temps, parce que nous ne remarquons pas toujours les avalanches au moment où elles se produisent, ou parce qu'il neige et que nous ne voyons tout simplement rien. La comparaison avec les détections radar a confirmé notre sentiment que le modèle réagit avec un peu de retard. C'est probablement dû au fait que le modèle a été entraîné avec les observations humaines, qui sont justement aussi un peu retardées. Il est donc très important pour tous les modèles que nous sachions comment ils sont entraînés, car cela détermine aussi les erreurs potentielles.

Les modèles statistiques basés sur l'IA sont entraînés avec vos prévisions et observations et les simulations du manteau neigeux de SNOWPACK. Cela signifie que nous avons toujours besoin de comprendre les processus physiques et que nous ne pouvons pas nous fier uniquement à la magie de l'IA, n'est-ce pas ? J'aimerais beaucoup avoir des modèles qui représentent le mieux possible les processus physiques. En fait, je ne regarde jamais seulement la sortie du modèle d'instabilité, mais je reviens toujours aussi à la simulation SNOWPACK et je regarde pour quelques stations si les couches semblent plausibles. Il est très important que nous comprenions au moins en partie ce qui se passe dans ces longues chaînes de modèles. Les modèles d'IA arrivent à la toute fin et ne font que recouvrir tout ce qui se passe avant.

Les modèles IA aident à extraire ce qui est pertinent. SNOWPACK débite beaucoup, beaucoup d'informations et l'IA filtre ensuite pour nous. Peut-on le résumer ainsi ?

Oui, on peut le résumer ainsi. En fin de compte, ce sont simplement des modèles qui sont ajoutés en haut de SNOWPACK à la fin. Mais ces "petits" modèles ont entraîné chez nous un saut assez important dans l'utilisation de SNOWPACK dans le service de prévision. En effet, ils rendent soudain digeste la sortie complexe du modèle SNOWPACK en en extrayant des informations pertinentes relativement simples à comprendre. Je pense donc qu'il serait important que nous puissions intégrer les modèles encore plus facilement lors de la création des prévisions.

Comment cela se passe-t-il dans la pratique ? Je dis trois plus. Tu dis quatre moins, le modèle dit trois plus. Ensuite, on fait la médiane. Comment se présente alors la discussion?

Dans ce cas, si nous y ajoutons le modèle, nous commencerions avec 3+ comme point de départ. Supposons que je sois maintenant très mécontent de donner un 3 à la situation pour demain. Ma tâche serait alors d'expliquer aux autres pourquoi je ne pense pas que ce soit une bonne chose. Si possible en se basant sur des données, bien que cela soit évidemment difficile, car il y a toujours notre interprétation humaine à la fin. Dans cette discussion, il est probable que l'on décide parfois d'une manière, parfois d'une autre. Et c'est aussi l'une de nos faiblesses, car nous, les humains, ne sommes pas toujours cohérents.

Alors, il y a toujours des humains?

Il y a clairement des humains. Nous restons avant tout des avertisseurs d'avalanche humains. Mais les modèles peuvent nous aider et nous montrer où nous devons peut-être regarder de plus près aujourd'hui.

Cela restera-t-il ainsi à l'avenir ?

Je ne sais pas à quoi ressemblera une prévision d'avalanche dans le futur. Peut-être que dans dix ans, la prévision sera à haute résolution, peut-être que les modèles feront une grande partie de la prévision. Qui sait ? Mais c'est peut-être pour cela qu'il est d'autant plus important de pouvoir donner des explications et de communiquer à l'utilisateur : "Faites attention juste là...". Donc cette voix humaine que l'on apporte encore. Pour moi, la forme que prendront les prévisions d'avalanches du futur est encore très ouverte.