Els pronòstics meteorològics actuals es basen en models complexos que incorporen les lleis que regeixen la dinàmica de l'atmosfera i els oceans, i aquests models s'executen en algunes de les supercomputadores més poderoses que hi ha. Tot i això, Alphabet (l'empresa matriu de Google) ha aconseguit predir les condicions meteorològiques globals dels propers 10 dies en tan sols un minut utilitzant una única màquina de la mida d'un ordinador personal, gràcies a la intel·ligència artificial desenvolupada per DeepMind. La IA de Google prediu el temps i això només acaba de començar.
En aquest article explicarem com la IA de Google prediu el temps i com ha evolucionat aquesta tecnologia.
La IA de Google prediu el temps
Sorprenentment, aquest sistema d'intel·ligència artificial supera la majoria dels sistemes moderns de predicció del temps en gairebé tots els aspectes. Curiosament, sembla que aquesta vegada la intel·ligència artificial està servint com a complement de la intel·ligència humana en lloc de reemplaçar-la.
El Centre Europeu de Previsions Meteorològiques a Termini Mitjà (ECMWF) té un sistema increïblement avançat que es va sotmetre a una important actualització l'any passat, millorant-ne les capacitats predictives. Allotjat a les seves instal·lacions de Bolonya, Itàlia, es troba un superordinador equipat amb aproximadament un milió de processadors (en contrast amb els dos o quatre que es troben en un ordinador personal) i una extraordinària potència de càlcul de 30 petaflops, equivalent a la sorprenent xifra de 30.000 bilions de càlculs per segon.
Aquesta immensa capacitat computacional és necessària per a una de les seves eines, el Pronòstic d'Alta Resolució (HRES), que prediu amb precisió els patrons climàtics globals a mitjà termini, que generalment abasten 10 dies, amb una impressionant resolució espacial de nou quilòmetres. Aquestes prediccions serveixen com a base per als pronòstics meteorològics lliurats per meteoròlegs de tot el món. Recentment, s'ha fet servir GraphCast, una intel·ligència artificial desenvolupada per Google DeepMind, per mesurar les capacitats d'aquest formidable sistema en predicció del temps.
Resultats de l'estudi d'IA
Els resultats de la comparació, publicats dimarts a la revista Science, revelen que GraphCast supera HRES en la predicció de nombrosos factors meteorològics. Segons l'estudi, la màquina de Google supera la de l'ECMWF al 90,3% de les 1.380 mètriques examinades.
Quan se centra únicament a la troposfera, la capa atmosfèrica on ocorren la majoria dels fenòmens meteorològics, i s'exclouen les dades de l'estratosfera, que es troba aproximadament entre 6 i 8 quilòmetres sobre la superfície de la Terra, la intel·ligència artificial (IA ) supera les supercomputadores supervisades per humans en el 99,7% dels casos. les variables analitzades. Sorprenentment, aquest èxit es va aconseguir utilitzant una màquina que sassembla molt a un ordinador personal coneguda com a unitat de processament tensorial o TPU.
Segons Álvaro Sánchez González, investigador de Google DeepMind, les TPU són maquinari especialitzat que ofereix entrenament i execució de programari d'intel·ligència artificial més eficient en comparació amb un PC normal, mantenint una mida similar. Així com la targeta gràfica dun ordinador senfoca a renderitzar imatges, les TPU estan dissenyades per sobresortir en productes matricials. Per a la capacitació de GraphCast, utilitzem 32 TPU en el transcurs de diverses setmanes. Tanmateix, un cop finalitzat l'entrenament, una sola TPU pot generar prediccions en menys dun minut, tal com explica Sánchez González, un dels creadors del dispositiu.
GraphCast i els sistemes de predicció
Una distinció notable entre GraphCast i els sistemes de predicció existents és la seva capacitat per incorporar dades històriques. Els creadors van entrenar el sistema utilitzant dades meteorològiques de l'arxiu de l'ECMWF que daten del 1979. Aquest extens conjunt de dades comprèn les precipitacions a Santiago i els ciclons que han impactat Acapulco durant un lapse de 40 anys. Després d'una considerable quantitat d'entrenament, GraphCast té la capacitat notable de generar prediccions meteorològiques precises.
Només requereix coneixement de les condicions climàtiques sis hores abans i immediatament abans del seu pronòstic per predir amb precisió el clima dins de sis hores més. Les prediccions són interdependents i cada nou pronòstic informa l'anterior. Ferran Alet, cocreador d'aquesta impressionant màquina de DeepMind, n'explica el funcionament intern: «La nostra xarxa neuronal anticipa les condicions meteorològiques amb sis hores d'antelació. Per pronosticar el temps en 24 hores, simplement avaluem el model quatre cops. Alternativament, podríem haver entrenat models separats per als diferents períodes de temps, com un de sis hores i un altre de 24 hores. No obstant això, entenem que els principis subjacents que governen el clima romanen consistents dins un període de sis hores».
«Per tant, si podem descobrir el model apropiat model de 6 hores i utilitzem les seves pròpies prediccions com a entrada, podem pronosticar amb precisió el clima per a les properes 12 hores i repetir aquest procés cada sis hores.» Segons Alet, aquest enfocament proporciona una quantitat substancial de dades per a un sol model, cosa que resulta en un entrenament més eficient.
Fins ara, els pronòstics meteorològics han estat basats en la predicció meteorològica numèrica, que utilitza equacions científiques desenvolupades al llarg de la història per donar compte de les diverses complexitats de la dinàmica atmosfèrica. Les troballes dels investigadors estableixen un conjunt d'algorismes matemàtics que les supercomputadores han d'executar per generar prediccions per a les properes hores, dies o setmanes (encara que la confiança disminueix significativament més enllà dels 15 dies). No obstant això, dur a terme aquesta tasca requereix una superordinador molt avançada, la qual cosa implica costos significatius i grans esforços d'enginyeria.
Model d'IA de Google prediu el temps
El que és particularment notable és que aquests sistemes no utilitzen les condicions climàtiques del dia anterior o fins i tot de l'any anterior, tot i passar al mateix lloc i al mateix temps.
Per contra, aborda la tasca des d'un angle diferent, gairebé a l'inrevés. A través de les seves capacitats avançades daprenentatge profund, utilitza extensos arxius de dades meteorològiques passats per adquirir una comprensió integral de la intricada dinàmica de causa i efecte que dicta la progressió del clima de la Terra.
Segons José Luis Casado, portaveu de l'Agència Meteorològica Espanyola (AEMET), al model atmosfèric no es tenen en compte les dades històriques. Casado matisa que aquest model es basa en les observacions existents i en la predicció més recent feta pel mateix model. En comprendre amb precisió l'estat actual de l'atmosfera, és possible pronosticar-ne la progressió futura. A diferència de les tècniques daprenentatge automàtic, aquest enfocament no utilitza dades històriques ni prediccions.
