O modelo de previsão meteorológica de IA do Google é muito bom

GenCast, um novo modelo de IA do Google DeepMind, é preciso o suficiente para competir com a previsão meteorológica tradicional. Conseguiu superar um modelo de previsão líder quando testado em dados de 2019, de acordo com uma pesquisa publicada recentemente.

A IA não substituirá a previsão tradicional tão cedo, mas poderá aumentar o arsenal de ferramentas usadas para prever o tempo e alertar o público sobre tempestades severas. GenCast é um dos vários modelos de previsão meteorológica de IA em desenvolvimento que podem levar a previsões mais precisas.

“O clima basicamente afeta todos os aspectos de nossas vidas… é também um dos grandes desafios científicos, prever o tempo”, diz Ilan Price, pesquisador sênior da DeepMind. “O Google DeepMind tem a missão de promover a IA para o benefício da humanidade. E acho que esta é uma forma importante, uma contribuição importante nessa frente.”

Price e seus colegas testaram o GenCast em relação ao sistema ENS, um dos modelos de previsão de nível superior do mundo, administrado pelo Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF). GenCast superou ENS 97,2 por cento das vezes, de acordo com pesquisa publicada esta semana na revista Natureza.

GenCast é um modelo de previsão meteorológica de aprendizado de máquina treinado em dados meteorológicos de 1979 a 2018. O modelo aprende a reconhecer padrões nas quatro décadas de dados históricos e usa isso para fazer previsões sobre o que pode acontecer no futuro. Isso é muito diferente de como funcionam os modelos tradicionais como o ENS, que ainda dependem de supercomputadores para resolver equações complexas a fim de simular a física da atmosfera. Tanto o GenCast quanto o ENS produzem previsões conjuntas, que oferecem uma variedade de cenários possíveis.

Quando se trata de prever a trajetória de um ciclone tropical, por exemplo, o GenCast conseguiu emitir um aviso prévio adicional de 12 horas, em média. O GenCast foi geralmente melhor na previsão de trajetórias de ciclones, condições climáticas extremas e produção de energia eólica com até 15 dias de antecedência.

Uma ressalva é que o GenCast se testou em uma versão mais antiga do ENS, que agora opera em uma resolução mais alta. A pesquisa revisada por pares compara as previsões do GenCast com as previsões do ENS para 2019, vendo o quão próximo cada modelo chegou das condições do mundo real naquele ano. O sistema ENS melhorou significativamente desde 2019, de acordo com Matt Chantry, coordenador de aprendizado de máquina do ECMWF. Isso torna difícil dizer quão bem o GenCast pode funcionar contra o ENS hoje.

Certamente, a resolução não é o único fator importante quando se trata de fazer previsões sólidas. O ENS já estava trabalhando em uma resolução um pouco mais alta do que o GenCast em 2019, e o GenCast ainda conseguiu vencê-lo. A DeepMind afirma que conduziu estudos semelhantes com dados de 2020 a 2022 e encontrou resultados semelhantes, embora não tenham sido revisados ??por pares. Mas não tinha dados para fazer comparações para 2023, quando o ENS começou a funcionar com uma resolução significativamente maior.

Dividindo o mundo em uma grade, o GenCast opera com resolução de 0,25 graus – o que significa que cada quadrado dessa grade tem um quarto de grau de latitude por um quarto de grau de longitude. O ENS, em comparação, usou resolução de 0,2 graus em 2019 e agora está com resolução de 0,1 graus.

No entanto, o desenvolvimento do GenCast “marca um marco significativo na evolução da previsão do tempo”, disse Chantry em comunicado enviado por e-mail. Juntamente com o ENS, o ECMWF afirma que também está executando sua própria versão de um sistema de aprendizado de máquina. Chantry diz que “se inspira no GenCast”.

A velocidade é uma vantagem para o GenCast. Ele pode produzir uma previsão de 15 dias em apenas oito minutos usando um único Google Cloud TPU v5. Modelos baseados em física como o ENS podem precisar de várias horas para fazer a mesma coisa. O GenCast ignora todas as equações que o ENS precisa resolver, e é por isso que leva menos tempo e poder computacional para produzir uma previsão.

“Computacionalmente, é muito mais caro executar previsões tradicionais em comparação com um modelo como o Gencast”, diz Price.

Essa eficiência pode aliviar algumas das preocupações sobre o impacto ambiental dos centros de dados de IA, que consomem muita energia, e que já contribuíram para o aumento das emissões de gases com efeito de estufa da Google nos últimos anos. Mas é difícil descobrir como o GenCast se compara aos modelos baseados na física quando se trata de sustentabilidade sem saber quanta energia é usada para treinar o modelo de aprendizado de máquina.

Ainda há melhorias que o GenCast pode fazer, incluindo a possibilidade de escalar para uma resolução mais alta. Além disso, o GenCast apresenta previsões em intervalos de 12 horas em comparação com modelos tradicionais que normalmente o fazem em intervalos mais curtos. Isso pode fazer a diferença na forma como estas previsões podem ser utilizadas no mundo real (para avaliar quanta energia eólica estará disponível, por exemplo).

“Você gostaria de saber o que o vento fará ao longo do dia, não apenas às 6h e às 18h”, diz Stephen Mullens, professor assistente de meteorologia na Universidade da Flórida que não esteve envolvido na pesquisa GenCast.

Embora haja um interesse crescente em como a IA pode ser usada para melhorar as previsões, ela ainda precisa provar seu valor. “As pessoas estão olhando para isso. Não creio que a comunidade meteorológica como um todo seja comprada e vendida com base nisso”, diz Mullens. “Somos cientistas treinados que pensam em termos de física… e como a IA fundamentalmente não é isso, ainda há um elemento em que estamos pensando, isso é bom? E por quê?

Os meteorologistas podem conferir o GenCast por si próprios; DeepMind lançou o código para seu modelo de código aberto. Price diz que vê o GenCast e modelos de IA mais aprimorados sendo usados ??no mundo real junto com os modelos tradicionais. “Uma vez que esses modelos cheguem às mãos dos profissionais, eles aumentarão ainda mais a confiança e a confiança”, diz Price. “Queremos realmente que isso tenha um tipo de impacto social generalizado.”