Aujourd'hui, d'importantes ressources sont utilisées pour avertir les navires des mers polaires de la propagation de la banquise. L'intelligence artificielle peut rendre ces avertissements moins chers, plus rapide, et accessible à tous.

Pour les navires qui voyagent dans les mers polaires, garder le contrôle de la propagation de la banquise est essentiel, ce qui signifie que d'importantes ressources sont dépensées pour collecter des données et déterminer les développements futurs afin de fournir des avertissements fiables sur la glace de mer.

« A partir de maintenant, de grandes ressources sont nécessaires pour créer ces avertissements de glace, et la plupart d'entre eux sont fabriqués par l'Institut météorologique norvégien et des centres similaires, " dit Sindre Markus Fritzner, un chercheur doctorant à l'UiT The Arctic University of Norway.

Il est employé au Département de physique et de technologie et a récemment soumis une thèse de doctorat dans laquelle il a examiné la possibilité d'utiliser l'intelligence artificielle pour accélérer les alertes de glace, meilleur, et plus accessibles qu'ils ne le sont aujourd'hui.

Besoin de supercalculateurs

Les avertissements de glace utilisés aujourd'hui sont traditionnellement basés sur des modèles informatiques dynamiques qui sont alimentés par des observations satellitaires de la couverture de glace, et toutes les données mises à jour pouvant être recueillies sur l'épaisseur de la glace et la profondeur de la neige. Cela génère des quantités considérables de données, qui doit ensuite être traité par de puissants supercalculateurs pour fournir des calculs.

"Les modèles dynamiques sont des modèles physiques et nécessitent beaucoup de données à traiter. Si vous prévoyez de faire des avertissements sur des événements futurs, vous devez utiliser un supercalculateur, ", explique Fritzner.

Il s'agit d'une ressource limitée et coûteuse, ce qui rend ces avertissements impossibles à faire sans un accès aux bonnes ressources.

L'intelligence artificielle rend les calculs accessibles sur un ordinateur portable ordinaire

Fritzner a examiné comment l'intelligence artificielle peut être utilisée pour fournir ces avertissements de glace de mer plus rapidement, meilleur, et moins cher que jamais, sur un ordinateur portable ordinaire.

L'apprentissage automatique est un domaine spécialisé au sein de l'intelligence artificielle, où des méthodes statistiques sont utilisées pour permettre aux ordinateurs de trouver des modèles et des cohérences dans de grands ensembles de données. La machine apprend au lieu d'être programmée, et tout se résume à développer des algorithmes qui permettent aux ordinateurs d'apprendre et de faire des calculs, sur la base de données empiriques.

Dans l'œuvre de Fritzner, par exemple, il a chargé des données pour voir comment une semaine spécifique se déroulera, puis des données sur son apparence une semaine plus tard.

"Ainsi, c'est la cohérence dans le développement entre ces semaines que les machines apprennent elles-mêmes, et de cette façon il peut prédire comment il évolue, " dit Fritzner.

Une fois pleinement développé, un tel algorithme demandera beaucoup moins de puissance de calcul que le modèle physique traditionnel.

« Si vous utilisez l'intelligence artificielle et que vous disposez d'un modèle entièrement entraîné, vous pouvez exécuter un tel calcul sur un ordinateur portable ordinaire, " dit Fritzner.

Chaque navire peut faire ses propres calculs

Cela ouvre plusieurs champs d'utilisation, l'un d'eux étant des rapports météorologiques plus précis dans le Grand Nord. Fritzner souligne également que cela peut être utilisé par l'industrie du transport maritime qui opère à proximité de la zone de glace marginale, et que c'est une forme de trafic qui ne fera qu'augmenter.

« Un exemple est le trafic de croisière, où il sera très important pour les navires de croisière de savoir où se trouve la glace, et où il se déplacera dans les prochains jours, " dit Fritzner.

Tel qu'il est, les modèles haute résolution ne peuvent pas être exécutés sur le navire. Ils doivent contacter l'Institut météorologique norvégien, qui doit ensuite exécuter le modèle sur un superordinateur avant de transmettre les données au navire.

"Si vous êtes sur un navire dans la mer de Barents, vous devez être connecté à un réseau pour télécharger les avertissements de l'Institut météorologique norvégien.

"Si équipé du bon programme et de l'intelligence artificielle, cela peut être fait à partir du navire lui-même, avec presque aucune puissance de calcul requise du tout, " dit Fritzner.

Plus de développement nécessaire

Bien que la recherche semble prometteuse jusqu'à présent, les résultats ne sont toujours pas aussi bons que les méthodes traditionnelles, mais l'évolution du machine learning/intelligence artificielle bat son plein, et Fritzner n'a aucun doute sur son potentiel.

"Les expériences jusqu'à présent sont bonnes, mais pas parfait. Ce que j'ai observé en comparant l'apprentissage automatique et les modèles physiques traditionnels, c'est qu'ils étaient beaucoup plus rapides, et tant que les changements dans la glace étaient petits, l'apprentissage automatique a plutôt bien fonctionné. Lorsque les changements étaient plus importants, avec beaucoup de fonte, les modèles ont lutté plus que les modèles physiques, ", explique Fritzner.

Il pointe le défi des modèles fonctionnant sur l'intelligence artificielle s'appuyant uniquement sur des données historiques, tandis que les modèles physiques sont constamment adaptés aux grands changements géophysiques comme la fonte accrue et les changements rapides du temps.

Dans ses expériences, Fritzner a utilisé des données comme la température, la concentration de glace de mer, et la température de la mer. Il pense que la précision peut être augmentée en ajoutant plus de données au modèle afin qu'il dispose d'un plus grand ensemble de données pour les avertissements qu'il fournit.

"Surtout si vous ajoutez l'épaisseur du vent et de la glace, le machine learning fonctionnera beaucoup mieux, " il dit.

Il pense que la poursuite de la recherche et du développement libérera le grand potentiel de cette forme d'apprentissage automatique.