AutoClimDS: Climate Data Science Agentic AI -- A Knowledge Graph is All You Need

Le papier présente AutoClimDS, un système d'IA agentique qui, en s'appuyant sur un graphe de connaissances structuré pour unifier les données et les flux de travail climatiques, permet d'automatiser l'analyse scientifique et de reproduire des résultats complexes à partir d'instructions en langage naturel, surpassant ainsi les modèles de langage généraux qui manquent de cette mémoire scientifique organisée.

L'essentiel

Imaginez que vous voulez cuisiner un plat complexe, disons un gâteau aux fruits de mer, mais vous n'avez jamais cuisiné, vous ne savez pas où trouver les ingrédients, et les recettes sont écrites dans une langue que vous ne comprenez pas. C'est un peu la situation des chercheurs en climatologie aujourd'hui.

Voici une explication simple du papier AutoClimDS, en utilisant des analogies de la vie quotidienne.

1. Le Problème : Une Cuisine en Désordre

Actuellement, les données sur le climat (les températures, les niveaux de la mer, etc.) sont éparpillées un peu partout.

• Le chaos : Certaines données sont dans des tiroirs différents (bases de données de la NASA, de la NOAA, etc.), avec des étiquettes incompréhensibles.
• Le mur de la technique : Pour trouver une information précise, il faut être un expert en informatique. Si vous demandez à un robot intelligent généraliste (comme un ChatGPT standard) : "Montrez-moi l'évolution du niveau de la mer à New York", il risque de s'égarer, d'inventer des sources ou de ne pas savoir comment télécharger les fichiers. Il manque de "mémoire" structurée.

2. La Solution : AutoClimDS et son "Grand Livre de Recettes"

Les auteurs ont créé un système appelé AutoClimDS. Pour le comprendre, imaginez deux éléments clés :

A. Le Graphique de Connaissance (KG) : La Carte au Trésor Ultime

Au lieu de laisser l'IA deviner, les chercheurs ont construit une Carte au Trésor géante et ultra-précise.

• L'analogie : Imaginez une bibliothèque où chaque livre n'est pas juste rangé par titre, mais où chaque page est reliée aux autres par des fils invisibles. Cette carte sait exactement :
  • Où se trouve chaque donnée (le tiroir exact).
  • Comment l'ouvrir (la clé ou le mot de passe nécessaire).
  • Comment la préparer (il faut d'abord la laver, puis la couper).
  • Ce que signifient les termes techniques (savoir que "Précipitation" et "Pluie" sont la même chose).
• Pourquoi c'est crucial ? Sans cette carte, l'IA est comme un touriste perdu dans une ville inconnue sans carte. Avec la carte, elle sait exactement quel chemin prendre.

B. Les Agents IA : Les Chefs d'Équipe Intelligents

Une fois la carte en main, le système envoie de petits robots (des "agents") pour faire le travail :

1. L'Agent Détective : Il lit votre demande en langage naturel ("Je veux voir la montée des eaux à New York") et consulte la Carte au Trésor pour trouver les bons fichiers.
2. L'Agent Acheteur : Il va chercher les fichiers sur Internet, s'authentifie (donne les bons codes d'accès) et les télécharge.
3. L'Agent Cuisinier : Il nettoie les données, les met en forme et calcule les résultats.
4. Le Chef d'Orchestre : Il surveille tout, s'assure que personne ne fait d'erreur et recommence si quelque chose bloque.

3. La Magie : "Tout ce dont vous avez besoin, c'est une Carte"

Le titre du papier dit : "Un Graphique de Connaissance est tout ce dont vous avez besoin".
Cela ne veut pas dire que l'intelligence artificielle (le cerveau) n'est pas utile. Mais sans la Carte (le Graphique de Connaissance), le cerveau est aveugle.

• L'expérience : Les chercheurs ont demandé à AutoClimDS de reproduire des graphiques scientifiques complexes publiés dans des journaux, en utilisant seulement une phrase simple en langage courant.
• Le résultat : Le système a réussi ! Il a trouvé les données, les a nettoyées et a recréé les graphiques exacts.
• La comparaison : Quand ils ont demandé la même chose à un super-ordinateur intelligent (GPT-5.1) sans cette carte, il a échoué. Il a inventé des noms de fichiers ou n'a pas su où chercher.

4. Pourquoi c'est important pour tout le monde ?

Ce système change la donne pour trois raisons :

• Démocratisation : Plus besoin d'être un expert en code pour faire de la science climatique. N'importe qui peut poser une question et obtenir une réponse fiable.
• Confiance : Comme le système suit une "carte" vérifiée, on ne risque pas de se faire avoir par des informations fausses (hallucinations).
• Collaboration : C'est comme ouvrir une cuisine commune où tout le monde (scientifiques, étudiants, citoyens) peut cuisiner ensemble, en utilisant les mêmes ingrédients et les mêmes outils.

En résumé

AutoClimDS est un système qui donne à l'intelligence artificielle une boussole et une carte routière (le Graphique de Connaissance) pour naviguer dans le monde chaotique des données climatiques. Grâce à cette carte, l'IA peut passer d'un simple chatbot qui "rêve" à un véritable assistant scientifique capable de faire des recherches réelles, de trouver des données et de créer des analyses, le tout en répondant simplement à nos questions en français.

Résumé technique

1. Problématique

La science des données climatiques fait face à des obstacles majeurs qui entravent la découverte scientifique, limitent la participation et compromettent la reproductibilité :

• Fragmentation des données : Les sources sont dispersées (NASA, NOAA, ERA5, CMIP6) avec des formats hétérogènes et des métadonnées incohérentes.
• Barrières techniques : L'accès aux données nécessite une expertise pointue pour naviguer dans les API, gérer l'authentification et comprendre les protocoles d'extraction.
• Limites des LLM génériques : Les grands modèles de langage (LLM) actuels, même avancés (comme GPT-5.1), échouent à exécuter des flux de travail scientifiques autonomes. Sans mémoire structurée, ils hallucinent des noms de jeux de données, sélectionnent des sources inappropriées et ne peuvent pas construire de workflows de récupération valides basés sur le web.
• Absence de mémoire procédurale : Les systèmes existants manquent d'une infrastructure capable de encoder non seulement où se trouvent les données, mais comment les accéder, les authentifier et les prétraiter.

2. Méthodologie : AutoClimDS

Les auteurs proposent AutoClimDS, un système d'IA agentique (Agentic AI) conçu comme un Produit Minimum Viable (MVP). L'innovation centrale réside dans l'intégration d'un Graphes de Connaissances (KG) curaté avec des agents IA pour l'analyse scientifique native du cloud.

A. Construction du Graphes de Connaissances (KG)

Le KG agit comme une "mémoire scientifique structurée" et est le composant indispensable du système.

• Sources de données : Intégration via API de NASA CMR, NOAA OneStop, ERA5 (Copernicus) et CMIP6 (ESGF).
• Échelle : Environ 1,48 million de nœuds (45 types) et 5,8 millions d'arêtes (39 types de relations), couvrant ~208 000 jeux de données (observatoires et simulations).
• Ontologie et Procédures : Contrairement aux KG précédents purement sémantiques, celui-ci encode des connaissances procédurales :
  • Liens d'accès exécutables avec protocoles d'authentification.
  • Mappage sémantique des variables (via un modèle ClimateBERT fine-tuné à 99,17 % de précision) pour normaliser les noms de variables entre différents jeux de données.
  • Relations géospatiales hiérarchiques (océan, continent, pays) et métadonnées de prétraitement.
• Validation : Un système de notation ("link scoring") évalue la fiabilité des liens (téléchargement direct, portail, etc.) et vérifie l'accessibilité avant l'ingestion.

B. Architecture des Agents IA

Le système utilise une architecture multi-agents orchestrée par LangChain et des modèles LLM (Bedrock Claude Sonnet 4), fonctionnant dans un environnement d'exécution Python isolé (sandbox) :

1. Agent de Découverte de Données :
   • Utilise la recherche vectorielle (Neptune Analytics) couplée à des filtres relationnels OpenCypher.
   • Traduit les requêtes en langage naturel en contraintes structurées (temporelles, spatiales, variables).
   • Réorganise les liens d'accès par priorité (téléchargement direct > portail > visualisation).
2. Agent d'Acquisition de Données :
   • Exécute la récupération via les liens prioritaires.
   • Gère l'authentification (tokens préconfigurés) et la découverte dynamique de protocoles si les liens échouent (recherche web, lecture de documentation).
   • Transforme les données hétérogènes (NetCDF, CSV, HDF) en structures tabulaires standardisées.
3. Agents de Modélisation Climatique :
   • Spécialisés pour ERA5 et CMIP6, ils gèrent les ensembles de modèles, les sous-ensembles spatiaux (géocodage) et les conversions d'unités.
4. Gestion d'État et Résilience :
   • Mémoire persistante (SQLite) et gestion des erreurs par "fallback" (itération sur les liens, recherche de jeux de données alternatifs via le KG).
   • Boucle ReAct (Reasoning + Acting) avec détection de cycles et limites d'itération pour éviter les boucles infinies.

C. Déploiement

L'implémentation de référence est déployée sur AWS (Neptune pour le KG, Bedrock pour les LLM), mais l'architecture est agnostique au cloud (compatible Neo4j, ArangoDB, modèles open-source).

3. Résultats et Études de Cas

Les auteurs ont validé le système en reproduisant des analyses scientifiques publiées uniquement à partir d'instructions en langage naturel.

• Étude de Cas 1 : Tendances du niveau de la mer (Données Observatoires)
  • Objectif : Reproduire les figures du rapport NPCC4 (New York City Climate Risk) sur les tendances du niveau de la mer.
  • Résultat : AutoClimDS a reproduit avec une fidélité statistique élevée les tendances à long terme (0,112 in/an vs 0,11 in/an rapporté) et l'accélération récente.
  • Comparaison : Les approches de base (LinkClimate, GPT-5.1 sans KG) ont échoué à identifier les jeux de données corrects ou à construire le workflow, soit en hallucinant des sources, soit en ne trouvant pas les données.
• Étude de Cas 2 : Projections de température (Données de Simulation)
  • Objectif : Analyser les projections de température futures pour New York via CMIP6 et ERA5.
  • Résultat : Le système a autonomiquement interrogé le KG, récupéré les ensembles multi-modèles, effectué le sous-échantillonnage spatial et généré des visualisations comparatives.
  • Performance : GPT-5.1 seul a échoué sur cette tâche complexe nécessitant une gestion d'ensembles et une navigation API authentifiée.

4. Contributions Clés

1. Infrastructure Sémantique Unifiée : Création d'un KG qui encode non seulement les entités de données climatiques, mais aussi les chemins d'accès exécutables et les workflows de prétraitement.
2. Preuve de Concept "KG is All You Need" : Démonstration que sans cette mémoire structurée, même les LLM les plus avancés ne peuvent pas effectuer de workflows scientifiques autonomes. Le KG fournit les contraintes structurelles nécessaires à la raisonnement scientifique.
3. Réproductibilité Automatisée : Capacité à reproduire des figures et analyses publiées à partir de simples instructions textuelles, de la sélection des données à la modélisation.
4. Démocratisation : Réduction des barrières techniques pour les chercheurs non-experts, permettant une collaboration humain-IA plus inclusive.

5. Signification et Impact

Ce travail déplace le paradigme de l'IA scientifique : au lieu de voir le LLM comme le seul moteur de raisonnement, il positionne le Graphes de Connaissances comme le substrat structural indispensable.

• Fiabilité : Le KG élimine les hallucinations en fournissant des faits structurés et des protocoles d'accès validés.
• Évolutivité : Le système est conçu comme une infrastructure modulaire et native du cloud, permettant l'ajout de nouveaux jeux de données et outils par la communauté.
• Avenir : Cette approche ouvre la voie à une science climatique collaborative, où les agents IA gèrent la complexité technique, permettant aux chercheurs de se concentrer sur l'interprétation scientifique et la prise de décision politique.

En résumé, AutoClimDS démontre que l'automatisation fiable de la science des données climatiques ne repose pas uniquement sur la puissance des modèles de langage, mais sur la présence d'une mémoire scientifique structurée et procédurale incarnée par un Graphes de Connaissances.