Prévision de décisions climatiques résilientes
Outils de simulation rapide pour le risque météorologique, la demande énergétique et l'adaptation environnementale.
Les prévisions doivent être exploitables, pas seulement exactes
Une prévision n’est utile que si quelqu’un peut l’exploiter. Notre travail sur le climat cible les régimes où la simulation traditionnelle est trop lente et le ML standard trop fragile, et il fait apparaître l’incertitude aux côtés de chaque chiffre clé pour que les décisions soient défendables.
une prévision ponctuelle qui minimise une métrique de leaderboard, souvent sans dire où elle est confiante et où elle devine.
un chiffre clé associé à une bande calibrée qu’un opérateur peut lire, défendre et exploiter dans le cadre d’une politique écrite.
Là où la simulation traditionnelle est trop lente et le ML standard trop fragile
demande énergétique
planification d’infrastructure
La prévision est honnête quand les quantiles s’alignent
Une bande à 90 % qui couvre 90 % des résultats est calibrée. Nous rapportons le diagramme de fiabilité sur chaque modèle que nous livrons — s’il ne se place pas sur la diagonale, il n’est pas exploitable.
Un chiffre clé à lui seul n’est pas une décision
Chaque sortie est livrée avec la bande dont un opérateur a besoin pour trancher. La colonne action fait partie du livrable, et non d’une réflexion après coup.
Des prévisions plus rapides et calibrées
Nos modèles ciblent les régimes où la simulation traditionnelle est trop lente et le ML traditionnel trop fragile : risque météorologique à court horizon, demande énergétique et planification d’infrastructure.
Des décisions, pas seulement des chiffres
Une prévision n’est utile que si une personne peut l’exploiter. Nous concevons des sorties qui font apparaître l’incertitude aux côtés du chiffre clé pour que les décisions soient plus faciles à défendre.
La calibration est une discipline, pas une métrique
La même rigueur de fiabilité que nous appliquons ici se retrouve dans notre bibliothèque d’évaluation et notre posture d’alignement. Une prévision qui ment sur son incertitude est traitée comme un système défaillant, et non comme une anomalie de leaderboard.