AceCAST 5 : les nouveautés
AceCAST 5 est disponible dès maintenant. Voici ce qui change : WRF 4.8, quatre mises à jour de la physique et quatre nouvelles sorties du modèle.
Un modèle météo d'IA ne peut apprendre que ce que ses données d'entraînement lui montrent. Six propriétés à spécifier, un exemple public, et la façon dont un jeu de données sur mesure est cadré, livré et tarifé.

Un modèle météo d'IA apprend l'atmosphère à partir d'exemples. Il ne peut pas apprendre un orage, une brise de mer ou une rampe de vent que ses données d'entraînement ne lui ont jamais montrés. Avant l'architecture, un responsable data science a donc une question plus simple à régler : que doivent contenir les données d'entraînement pour l'IA météo, et d'où viendront-elles ? Cet article présente six propriétés à spécifier, un exemple public de l'échelle qu'un projet peut atteindre, et la façon dont TempoQuest cadre, livre et tarife un jeu de données sur mesure.
La maille limite le niveau de détail des données d'entraînement. Si les mailles sont trop grossières pour résoudre un orage, le modèle n'en voit que la moyenne sur une maille. Si la cible est le vent sur une crête, les nuages au-dessus d'une centrale solaire ou la pluie sur un bassin versant urbain, les données doivent résoudre le relief, les côtes et les orages à cette échelle.
Entraînez le modèle sur ce que vous allez prévoir et sur ce qui le détermine. L'éolien a besoin du vent à hauteur d'éolienne, pas seulement à 10 m. Le solaire a besoin des nuages. Les champs tirés d'une même simulation de modèle physique sont en outre cohérents entre eux : le vent, la température et la pression dans une maille obéissent à la même physique au même instant. Des champs assemblés à partir de sources distinctes ne le sont pas forcément.
L'historique doit couvrir toutes les saisons et suffisamment d'événements rares parmi ceux qui vous importent. Les extrêmes sont rares par définition : c'est donc la première chose qui manque à un historique court. Réservez des périodes entières pour l'évaluation. Un découpage aléatoire laisse fuir de l'information, car des pas de temps consécutifs sont presque identiques.
Le pas de temps des données fixe le changement le plus rapide qu'un modèle peut apprendre. Une cellule orageuse isolée peut se développer et se dissiper en une heure environ : des instantanés horaires manquent donc l'essentiel de sa vie. Des données toutes les 10 ou 15 minutes la conservent.
Demandez une seule version du modèle, une seule configuration et une seule grille sur tout l'historique. Une archive de prévisions opérationnelles change à chaque mise à niveau du système de prévision, et un modèle qui apprend peut prendre ces sauts pour de la météo.
Unités, projection cartographique, niveaux verticaux, conventions temporelles (UTC, heure de validité, période de cumul pour la pluie), configuration du modèle et indicateurs de valeurs manquantes. Sans elles, un pipeline devine, et une mauvaise supposition échoue en silence.
Le 23 avril 2026, MITRE et The Weather Company ont annoncé une collaboration autour de Weather 1K, un jeu de données d'entraînement d'IA à haute résolution, pris sous licence par The Weather Company pour la recherche et le développement de GRAF. Selon la description qu'en donne l'annonce, ce jeu de données présente :
L'annonce cite AceCAST de TempoQuest parmi les outils de modélisation utilisés pour développer Weather 1K. AceCAST exécute WRF, le modèle Weather Research and Forecasting maintenu par le NCAR, sur GPU NVIDIA.
Weather 1K figure ici comme exemple public de la résolution, de la cadence et du volume qu'un projet a spécifiés. Les données sur mesure de TempoQuest ne sont pas une revente de Weather 1K. Leur périmètre est défini pour chaque client.
TempoQuest cadre, génère, conditionne et livre des sorties de modèle à haute résolution propres à chaque projet, ainsi que des jeux de données dérivés, pour l'entraînement d'IA, l'analyse des risques, la planification et l'exploitation. C'est dans le périmètre que les six propriétés ci-dessus deviennent une spécification. Il couvre :
Une fois le périmètre convenu, TempoQuest génère les sorties du modèle, les conditionne et les livre dans le format que vous avez choisi.
Apportez trois éléments au premier échange : le modèle ou la décision que les données doivent servir, les observations auxquelles vous les confronterez, et le système dans lequel elles doivent être chargées. Inscrivez aussi dans le périmètre les métadonnées dont vous avez besoin. Si les données doivent être évaluées par rapport à des stations, à un lidar ou à un radar, dites-le dès le départ. Notre guide sur la vérification des prévisions explique comment fonctionne cette évaluation.
L'offre Données météo sur mesure est tarifée par projet, car le prix suit le travail. Six facteurs le déterminent :
Conséquence pratique : résolution, cadence et historique se multiplient entre eux. Déterminez lequel des trois est le plus nécessaire à votre modèle avant de les demander tous au maximum.
Cadrez votre jeu de données, ou apprenez-en davantage sur les données météo sur mesure de TempoQuest.

AceCAST 5 est disponible dès maintenant. Voici ce qui change : WRF 4.8, quatre mises à jour de la physique et quatre nouvelles sorties du modèle.

Aerava exécute un modèle météorologique autour du site que vous épinglez et compare le résultat à vos propres seuils d'orage, de vent et de coupure des éoliennes. Voici ce que vous pouvez lancer aujourd'hui, ce que cela coûte et ce qu'Aerava dit de la précision.

Un benchmark publié en 2023 et deux prix catalogue Azure, détaillés ligne par ligne : ce que coûte une VM GPU face à une VM CPU, puis face à seize, et ce que ces calculs laissent de côté.
Votre jeu de données d'entraînement
Indiquez la région, l'archive, les champs et les droits dont votre modèle a besoin. Nous examinons chaque demande.