Quedarse atrapado bajo la lluvia pronto será cosa del pasado gracias a un nuevo y poderoso pronosticador del tiempo con IA.
Google DeepMind ha presentado un modelo meteorológico basado en inteligencia artificial llamado GenCast que, según afirma, es más rápido y preciso que los pronósticos tradicionales.
En comparación con la supercomputadora de mayor rendimiento, el modelo GenCast de Google fue más preciso en el 99,8 por ciento de las predicciones con hasta 15 días de antelación.
Según Google, esto no sólo ayudará a los viajeros a decidir si llevan un paraguas, sino también a detectar desastres naturales como tifones antes de que sea demasiado tarde.
Normalmente, las agencias meteorológicas como la Met Office predicen el tiempo utilizando enormes supercomputadoras para procesar las complejas matemáticas que simulan el clima.
GenCast, por otro lado, utiliza IA para detectar patrones en datos meteorológicos históricos y crear 50 resultados posibles que forman la base de un «pronóstico conjunto».
Cuando la mayoría de estas posibilidades muestran que ocurren los mismos fenómenos meteorológicos, los científicos pueden predecir el tiempo con un alto grado de confianza.
Ingeniero de Google DeepMind Ilan Price dice: «Estos pronósticos conjuntos son más útiles que basarse en un solo pronóstico, ya que brindan a quienes toman decisiones una imagen más completa de las posibles condiciones climáticas en los próximos días y semanas y de la probabilidad de cada escenario».
Google DeepMind ha presentado un pronóstico meteorológico basado en inteligencia artificial que puede predecir el tiempo mejor que las mejores supercomputadoras con hasta 15 días de anticipación (imagen de archivo)
A través de 1.320 pruebas, el nuevo pronóstico de IA fue más preciso que el 98 por ciento de las predicciones creadas por un pronóstico de supercomputadora tradicional (imagen de archivo)
Dado que los patrones climáticos son tan complejos, los mejores pronósticos meteorológicos son «probabilísticos», lo que significa que a cada resultado se le asigna una probabilidad de ocurrir.
Aunque esto proporciona una imagen más completa del tiempo, también requiere mucho tiempo y potencia informática.
En un nuevo periódico publicado en la naturalezaGoogle DeepMind muestra que su nuevo modelo de IA es más preciso que el modelo ENS de alto rendimiento del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMRWF).
Tanto GenCast como ENS son probabilísticos, pero la forma en que crean su conjunto de predicciones es totalmente diferente.
En lugar de intentar simular la compleja física de la atmósfera, GenCast utiliza un tipo de IA llamado modelo de difusión que normalmente se encuentra en generadores de vídeo, imágenes y música.
Cuando se le proporciona el estado meteorológico más reciente, la IA genera 50 predicciones para el estado futuro del tiempo, tal como algunas IA podrían generar imágenes a partir de un mensaje de texto.
La diferencia es que GenCast se ha adaptado específicamente para funcionar en la superficie esférica de la Tierra y se ha entrenado con 40 años de datos meteorológicos.
Google afirma que este método no sólo es más rápido, sino que también proporciona un mejor pronóstico tanto para el clima diario como para eventos extremos que ENS.
Los pronósticos meteorológicos tradicionales se basan en enormes supercomputadoras que procesan números para simular cómo evolucionará el clima con el tiempo. En cambio, el nuevo modelo de IA busca patrones en datos meteorológicos pasados para hacer una serie de predicciones sobre cómo será el tiempo en el futuro. En la foto, Laura Tobin presenta el pronóstico del tiempo en Good Morning Britain.
En un nuevo estudio, Google DeepMind muestra que su nuevo modelo de IA es más preciso que el modelo ENS de alto rendimiento del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMRWF)
La IA se entrenó con datos anteriores a 2018 y luego se evaluó con los datos meteorológicos reales de 2019 y las previsiones de ENS para ese año.
GenCast fue más preciso que ENS en el 97,2 por ciento de las predicciones y en el 99,8 por ciento cuando hacía predicciones con más de 36 horas de antelación.
En particular, cuando a ambos sistemas se les asignó la tarea de predecir la llegada del tifón Hagibis, GenCast pudo producir una advertencia 12 horas antes.
Cuando el tifón Hagibis azotó Japón en 2019, fue la peor tormenta en 60 años y provocó una devastación generalizada.
Los ingenieros detrás de GenCast esperan que, al dar a las autoridades una advertencia más temprana, los pronósticos meteorológicos basados en inteligencia artificial puedan ayudar a salvar vidas.
Price dice: ‘A medida que el cambio climático genera más fenómenos meteorológicos extremos, los pronósticos precisos y confiables son más esenciales que nunca, pero el tiempo no se puede predecir perfectamente y los pronósticos son especialmente inciertos más allá de unos pocos días.
«Recibir advertencias mejores y más avanzadas sobre dónde tocarán tierra tiene un valor incalculable».
Las malas predicciones basadas en métodos tradicionales han tenido consecuencias mortales en el pasado cuando los informes restaban importancia a los peligros de las tormentas que se avecinaban.
La IA genera un conjunto de posibles resultados basados en los últimos datos meteorológicos que se vuelven más cercanos y precisos a medida que se acerca la hora. Esta imagen muestra las trayectorias previstas para el tifón Hagibis (púrpura) en comparación con la trayectoria real (rojo)
El tifón Hagibis fue la tormenta más mortífera que azotó Japón en 60 años y provocó inundaciones generalizadas (en la foto). GenCast pudo avisar de su llegada con 12 horas de antelación adicionales, lo que podría haber ayudado a coordinar las respuestas de emergencia con antelación.
Por ejemplo, en 1987, el meteorólogo de la BBC, Michael Fish, aseguró a los espectadores que no había ningún huracán que se dirigiera al Reino Unido.
Al día siguiente, devastadores vientos huracanados azotaron Gran Bretaña, matando a 18 personas y causando daños por valor de 1.000 millones de libras (1.300 millones de dólares).
Sin embargo, el poder de los pronósticos meteorológicos computacionales ha avanzado mucho desde la década de 1980.
Cuando Michael Fish hizo su fatídica predicción, la supercomputadora de la Met Office tenía la potencia de procesamiento equivalente a la de un teléfono inteligente promedio en la actualidad.
Actualmente, Met Office ha actualizado al sistema de supercomputación Cray XC40, que es capaz de realizar más de 14.000 billones de operaciones aritméticas por segundo.
Incluso el modelo ENS con el que se midió GenCast ha mejorado significativamente en los últimos años.
En su artículo, Google DeepMind utilizó predicciones de ENS 2019, pero ECMRWF ha realizado algunas mejoras importantes desde entonces.
En particular, ENS ahora es capaz de producir pronósticos con una resolución significativamente mayor que la que puede producir GenCast.
Google dice que el mundo seguirá necesitando pronósticos tradicionales como los creados por la supercomputadora Cray XC40 de Met Office (en la foto), pero dice que los pronósticos de IA serán más útiles con el tiempo.
Al dividir el mundo en una cuadrícula, GenCast observa cuadrados que tienen 0,25 grados de ancho por latitud y longitud.
Por el contrario, el pronóstico meteorológico del ENS ahora funciona con una resolución de sólo 0,1 grados, lo que significa predicciones más precisas.
Google DeepMind admite que los modelos tradicionales probablemente serán insustituibles en el futuro previsible, sobre todo porque proporcionan los datos para entrenar la IA.
Sin embargo, los pronósticos de IA tienen una gran ventaja en términos de velocidad y potencia de la computadora.
Los pronósticos tradicionales como el de la ENS requieren horas en una supercomputadora con decenas de miles de procesadores.
GenCast, por otro lado, tarda sólo ocho minutos en producir un pronóstico de 15 días utilizando una única unidad de procesamiento.
En el futuro, esto significa que los modelos de IA podrían volverse mucho más comunes para aplicaciones como la predicción de condiciones climáticas extremas o la planificación en torno a fuentes de energía renovables como la solar y la eólica.
