La IA supera por primera vez la previsión meteorológica convencional: estudio de Google
El martes, la revista científica Science publicó un estudio que muestra cómo un modelo meteorológico de Google DeepMind AI llamado Reparto gráfico Superó significativamente a los métodos convencionales de pronóstico del tiempo al predecir las condiciones climáticas globales con hasta 10 días de anticipación. El logro sugiere que el pronóstico del tiempo futuro podría ser mucho más preciso, informa El Correo de Washington Es Tiempos financieros.
En el estudio, GraphCast demostró un rendimiento superior al del sistema convencional líder en el mundo operado por el Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF). En una evaluación exhaustiva, GraphCast superó al sistema ECMWF en un 90 % de 1380 métricas, incluidas temperatura, presión, velocidad y dirección del viento y humedad en varios niveles atmosféricos.
Y GraphCast hace todo esto rápidamente: «Predice cientos de variables meteorológicas, durante 10 días, con una resolución de 0,25°, a nivel mundial, en menos de un minuto», escriben los autores en el artículo «Aprendiendo un pronóstico hábil de meteorología global de mediano alcance». «
Esto marca un avance notable en velocidad y precisión para la IA en meteorología. Matthew Chantry, coordinador de aprendizaje automático del ECMWF, reconoció el rápido progreso en una entrevista con el Financial Times y dijo que un sistema de inteligencia artificial en meteorología había progresado «mucho más rápido y de manera más impresionante de lo que esperábamos hace dos años».
GraphCast utiliza lo que los investigadores llaman una arquitectura de aprendizaje automático de «red neuronal gráfica», entrenada en más de cuatro décadas de datos meteorológicos históricos del ECMWF. Procesa estados atmosféricos globales actuales y de hace seis horas, generando un pronóstico de 10 días en aproximadamente un minuto en Google. TPUv4 computadora en la nube. El método de aprendizaje automático de Google contrasta con los métodos numéricos convencionales de pronóstico del tiempo que dependen de supercomputadoras para procesar ecuaciones basadas en la física atmosférica, lo que consume significativamente más tiempo y energía.
Google DeepMind
Chantry destacó la eficiencia de GraphCast al Financial Times, estimándolo en alrededor de 1.000 veces más barato en términos de consumo de energía en comparación con los métodos tradicionales. Un ejemplo del éxito de sus predicciones fue la predicción de la llegada del huracán Lee a Nueva Escocia con nueve días de antelación, tres días antes que los enfoques tradicionales.
A pesar de los avances, GraphCast tiene limitaciones. No superó a los modelos convencionales en todos los escenarios, como la repentina intensificación del huracán Otis, que azotó Acapulco con mínima advertencia el 25 de octubre. Además, debido a limitaciones tecnológicas, los modelos globales de IA aún no pueden crear predicciones tan detalladas o granulares como los tradicionales, lo que los hace más ideales para examinar fenómenos de menor escala, según The Washington Post. Y tienen problemas de transparencia, ya que los meteorólogos todavía no pueden mirar dentro de la “caja negra” del modelo de IA y ver exactamente por qué hace la predicción que hace.
En última instancia, los investigadores de Google DeepMind ven su enfoque basado en IA como un complemento a las técnicas actuales de pronóstico del tiempo. «Nuestro enfoque no debe considerarse un reemplazo de los métodos tradicionales de pronóstico del tiempo», escriben, «que se han desarrollado durante décadas, probado rigurosamente en muchos contextos del mundo real y ofrecen muchas capacidades que aún no hemos explorado».
De cara al futuro, el ECMWF planea desarrollar su propio modelo de IA y explorar su integración con su sistema numérico de predicción meteorológica. La Oficina Meteorológica del Reino Unido, en colaboración con el Instituto Alan Turing, también está desarrollando una red neuronal gráfica para la predicción meteorológica que se incorporará a su infraestructura de supercomputadoras en el futuro.
