GenCast, un nuevo modelo de IA de Google DeepMind, es lo suficientemente preciso como para competir con la meteorología tradicional. En pruebas realizadas con datos de 2019, logró superar a un modelo de previsión líder, según la investigación publicada recientemente. 🌦️✨

La IA no reemplazará la meteorología tradicional en el corto plazo, pero puede sumar herramientas valiosas para predecir el clima y alertar al público sobre tormentas severas. GenCast es uno de varios modelos de IA en desarrollo que podrían llevar a pronósticos más certeros. 🤖⛈️

“El clima afecta prácticamente todos los aspectos de nuestras vidas… y también es uno de los grandes desafíos científicos predecirlo”, comenta Ilan Price, un científico senior en DeepMind. “Google DeepMind tiene la misión de avanzar la IA en beneficio de la humanidad. Creo que esta es una forma importante, una contribución clave en ese sentido.” 🌈📊

Price y su equipo llevaron a cabo pruebas con GenCast en comparación con el sistema ENS, uno de los modelos de pronósticos más avanzados del mundo, gestionado por el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF). GenCast superó al ENS en un 97.2% de las veces, de acuerdo con la investigación publicada esta semana en la revista Nature. 📈🧐

GenCast es un modelo de predicción meteorológica basado en aprendizaje automático, entrenado con datos climáticos desde 1979 hasta 2018. Este modelo aprende a reconocer patrones en cuatro décadas de datos históricos y usa esa información para predecir lo que puede suceder en el futuro. Esto es muy diferente a cómo funcionan los modelos tradicionales como el ENS, que todavía dependen de supercomputadoras para resolver ecuaciones complejas y simular la física de la atmósfera. Tanto GenCast como el ENS producen pronósticos en conjunto, que ofrecen una variedad de escenarios posibles. 🌌🌪️

Por ejemplo, al predecir el camino de un ciclón tropical, GenCast puede proporcionar un promedio de 12 horas de advertencia anticipada. Generalmente, GenCast es mejor en la predicción de trayectorias de ciclones, fenómenos climáticos extremos y producción de energía eólica hasta 15 días en avance. 🌪️⏳

Un caveat es que GenCast se probó contra una versión más antigua del ENS, que ahora opera a una resolución más alta. La investigación revisada por pares compara las predicciones de GenCast con los pronósticos del ENS para 2019, analizando cuán cerca llegó cada modelo a las condiciones reales de ese año. Según el coordinador de aprendizaje automático de ECMWF, Matt Chantry, el sistema ENS ha mejorado significativamente desde 2019, lo que dificulta evaluar cómo podría compararse GenCast con el ENS hoy. 🔍📉

Está claro que la resolución no es el único factor importante para hacer predicciones sólidas. El ENS ya trabajaba con una resolución ligeramente superior a la de GenCast en 2019, y aun así GenCast logró superarlo. DeepMind afirma haber realizado estudios similares con datos de 2020 a 2022 y encontró resultados similares, aunque eso no ha sido revisado por pares. No obstante, no había datos para comparar para 2023, cuando el ENS comenzó a operar a una resolución significativamente más alta. 📊📈

Dividiendo el mundo en una cuadrícula, GenCast opera a una resolución de 0.25 grados, lo que significa que cada cuadrado de esa cuadrícula mide un cuarto de grado de latitud por un cuarto de grado de longitud. En comparación, el ENS utilizaba una resolución de 0.2 grados en 2019 y ahora está en 0.1 grados. 🌍🗺️

Sin embargo, el desarrollo de GenCast “marca un hito significativo en la evolución de la previsión meteorológica”, dijo Chantry en un comunicado por correo electrónico. Junto al ENS, el ECMWF también está ejecutando su propia versión de un sistema de aprendizaje automático. Chantry comenta que “toma algo de inspiración de GenCast”. 🌟🤓

La velocidad es una ventaja para GenCast. Puede generar un pronóstico de 15 días en solo ocho minutos usando un solo Google Cloud TPU v5. Los modelos basados en física como el ENS podrían necesitar varias horas para hacer lo mismo. GenCast omite todas las ecuaciones que el ENS tiene que resolver, lo que explica por qué requiere menos tiempo y poder computacional para producir un pronóstico. ⚡️💻

“En términos computacionales, resulta magnitudes más costoso ejecutar previsiones tradicionales en comparación con un modelo como GenCast”, dice Price. 💰📉

Esa eficiencia podría ayudar a reducir algunas preocupaciones sobre el impacto ambiental de los centros de datos de IA, que ya han contribuido al aumento de las emisiones de gases de efecto invernadero de Google en los últimos años. Sin embargo, es difícil evaluar cómo se compara GenCast con los modelos basados en física en términos de sostenibilidad sin conocer cuánta energía se utiliza para entrenar el modelo de aprendizaje automático. 🏭♻️

Aún hay mejoras que GenCast puede realizar, incluida la posibilidad de escalar a una resolución más alta. Además, GenCast emite predicciones a intervalos de 12 horas en comparación con los modelos tradicionales, que generalmente lo hacen en intervalos más cortos. Esto puede influir en cómo se pueden utilizar estos pronósticos en el mundo real (por ejemplo, para evaluar cuánta energía eólica estará disponible) 🌪️⚡️.

“Querrías saber cómo se comportará el viento a lo largo del día, no solo a las 6 AM y 6 PM”, dice Stephen Mullens, profesor asistente de meteorología en la Universidad de Florida, quien no participó en la investigación de GenCast. 🌞🌬️

Si bien hay un creciente interés en cómo se puede usar la IA para mejorar los pronósticos, aún debe demostrar su efectividad. “La gente lo está mirando. No creo que la comunidad meteorológica en su totalidad esté convencida de ello”, opina Mullens. “Somos científicos entrenados que pensamos en términos de física… y debido a que la IA no lo es fundamentalmente, aún hay un elemento en el que nos estamos preguntando, ¿es esto bueno? ¿Y por qué?” 🤷‍♂️⚖️

Los pronosticadores pueden probar GenCast por sí mismos; DeepMind publicó el código de su modelo de código abierto. Price afirma que ve a GenCast y otros modelos mejorados de IA siendo utilizados en el mundo real junto a los modelos tradicionales. “Una vez que estos modelos estén en manos de los profesionales, se construye más confianza y seguridad”, dice Price. “Realmente queremos que esto tenga un impacto social amplio.” 🌍💡