L’Armée de l’air américaine attribue un contrat de 49 millions de dollars à WindBorne Systems pour des données météorologiques
L’Armée de l’air américaine a signé un contrat avec WindBorne Systems pour exploiter les données de sa flotte de ballons météorologiques autonomes, un accord pouvant atteindre jusqu’à 49 millions de dollars, soulignant la collaboration croissante entre les entreprises technologiques privées et les entités gouvernementales dans le domaine de la recherche atmosphérique.
WindBorne exploite actuellement environ 700 ballons météorologiques dans le monde, recueillant des données de capteurs atmosphériques qui sont non seulement vendues à divers clients, mais également intégrées dans son modèle de prévisions météorologiques alimenté par l’IA. Fondée en 2015 et basée à Redwood City, en Californie, WindBorne est devenue un pionnier dans la fourniture directe de données empiriques pour des modèles météorologiques basés sur l’apprentissage profond.
Ce contrat constitue le plus grand engagement de WindBorne auprès du gouvernement américain à ce jour. Bien que le contrat soit plafonné à 49 millions de dollars, les paiements sont effectués en fonction des besoins, permettant à l’Armée de l’air de commander des données de lieux spécifiques à des moments précis. Jusqu’à présent, des commandes totalisant 1,7 million de dollars ont été passées, avec des attentes concernant d’autres demandes à l’avenir.
Selon Andrey Sushko, co-fondateur et CTO de WindBorne, « ceci est principalement un moyen par lequel la croissance continue de la constellation peut être soutenue, ainsi que des travaux sur la recherche et le développement pour continuer à améliorer le matériel et la performance des ballons. » Il a noté que l’absence d’appel d’offres concurrentiel pour le contrat reflète l’évaluation par le gouvernement que WindBorne possède les capacités uniques nécessaires à la collecte de données à l’échelle mondiale.
Dans une interview précédente, John Dean, PDG de WindBorne, a rapporté que la société avait sécurisé un financement de 37 millions de dollars lors d’une levée de fonds de série B visant à élargir ses opérations. Ce financement intervient après le lancement de WeatherMesh 6, la dernière version de son modèle de prévisions, qui prétend surpasser les méthodes traditionnelles utilisées par le Centre européen de prévisions météorologiques à moyen terme (CEPMMT).
La prévision météorologique alimentée par l’IA a gagné en popularité à mesure que des avancées dans les architectures de modèles transformateurs et des ensembles de données météorologiques volumineux ont émergé, améliorant la productivité du domaine. Auparavant, les météorologistes dépendaient de supercalculateurs coûteux pour simuler les conditions atmosphériques à l’aide d’équations complexes. Les techniques d’IA permettent désormais d’assimiler d’importantes données météorologiques historiques, facilitant ainsi des prévisions rapides.
Les modèles développés par des startups et des agences gouvernementales dépassent les méthodes traditionnelles, bien que les deux soient nécessaires pour des aperçus météorologiques complets. Par exemple, le dernier modèle météorologique de Google DeepMind a introduit des capacités significatives, notamment dans la prévision des ouragans, qui est devenue essentielle pour la préparation gouvernementale pendant les saisons de tempête.
En août, WindBorne a atteint un jalon important en devenant la première organisation à déployer un système de vol sans moteur pour recueillir des données dans l’œil d’un typhon. L’entreprise a développé des techniques pour naviguer ses ballons en modifiant l’altitude et en utilisant des ajustements de ballast pourorienter les ballons dans des courants de vent favorables.
Sushko a commenté cet exploit : « C’est une étape plutôt novatrice, et les deux ingrédients pour cela sont d’une part, avoir de bons modèles de vent et de météo, et de savoir comment les naviguer ; et d’autre part, avoir une constellation suffisamment grande pour que vous ayez des ballons aux bons endroits. C’est l’une des premières fois qu’un modèle d’apprentissage profond a été utilisé pour des décisions opérationnelles réelles. »
