GenCast, um novo modelo de IA do Google DeepMind, é preciso o suficiente para competir com a meteorologia tradicional. Em testes usando dados de 2019, ele superou um modelo de previsão líder, de acordo com uma pesquisa publicada recentemente. 🌦️✨

A IA não substituirá a meteorologia tradicional tão cedo, mas pode adicionar ferramentas valiosas para prever o tempo e alertar o público sobre tempestades severas. GenCast é um dos vários Modelos de IA em desenvolvimento o que poderia levar a previsões mais precisas. 🤖⛈️

“O clima afeta praticamente todos os aspectos das nossas vidas… e é também um dos maiores desafios científicos prevê-lo”, diz Ilan Price, cientista sênior da DeepMind. “O Google DeepMind tem como missão avançando a IA para o benefício da humanidade. Acredito que essa seja uma forma importante, uma contribuição fundamental nesse sentido.” 🌈📊

Price e sua equipe realizaram testes com o GenCast contra o sistema ENS, um dos modelos de previsão mais avançados do mundo, gerenciado pelo Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF). O GenCast superou o ENS 97.2% da época, de acordo com a pesquisa. publicado esta semana na revista Natureza. 📈🧐

GenCast é um modelo de previsão do tempo baseado em aprendizado de máquina treinado com dados climáticos de 1979 a 2018. Este modelo aprende a reconhecer padrões em quatro décadas de dados históricos e usa essas informações para prever o que pode acontecer no futuro. Isso é muito diferente de como modelos tradicionais como o ENS funcionam, que ainda dependem de supercomputadores para resolver equações complexas e simular a física da atmosfera. Tanto a GenCast quanto a ENS produzem previsões como um todo, que oferecem uma variedade de cenários possíveis. 🌌🌪️

Por exemplo, ao prever a trajetória de um ciclone tropical, o GenCast pode fornecer uma média de 12 horas de aviso prévio. O GenCast geralmente é melhor em prever trajetórias de ciclones, eventos climáticos extremos e produção de energia eólica com até 15 dias de antecedência. 🌪️⏳

Uma ressalva é que o GenCast foi testado em uma versão mais antiga do ENS, que agora opera em um resolução mais alta. A pesquisa revisada por pares compara as previsões da GenCast com as previsões da ENS para 2019, analisando o quão próximo cada modelo correspondeu às condições reais naquele ano. De acordo com o coordenador de aprendizado de máquina do ECMWF, Matt Chantry, o sistema ENS melhorou significativamente desde 2019, dificultando avaliar como o GenCast pode ser comparado ao ENS hoje. 🔍📉

É claro que a resolução não é o único fator importante para fazer previsões sólidas. O ENS já estava trabalhando em uma resolução um pouco maior que o GenCast em 2019, mas o GenCast ainda conseguiu superá-lo. A DeepMind afirma ter conduzido estudos semelhantes com dados de 2020 a 2022 e encontrado resultados semelhantes, embora isso não tenha sido revisado por pares. Entretanto, não havia dados para comparação em 2023, quando o ENS começou a operar com resolução significativamente maior. 📊📈

Dividindo o mundo em uma grade, o GenCast opera com uma resolução de 0,25 graus, o que significa que cada quadrado nessa grade mede um quarto de grau de latitude por um quarto de grau de longitude. Em comparação, o ENS usou uma resolução de 0,2 graus em 2019 e agora está em 0,1 graus. 🌍🗺️

No entanto, o desenvolvimento do GenCast “representa um marco significativo na evolução da previsão do tempo”, disse Chantry em uma declaração por e-mail. Juntamente com a ENS, o ECMWF também está executando sua própria versão de um sistema de aprendizado de máquina. Chantry comenta que ele “se inspira no GenCast”. 🌟🤓

A velocidade é uma vantagem para a GenCast. Você pode gerar uma previsão de 15 dias em apenas oito minutos usando um único Google Cloud TPU v5. Modelos baseados em física como o ENS podem levar várias horas para fazer o mesmo. O GenCast omite todas as equações que o ENS precisa resolver, o que explica por que ele requer menos tempo e poder de computação para produzir uma previsão. ⚡️💻

“Em termos computacionais, é muito mais caro executar previsões tradicionais em relação a um modelo como o GenCast”, diz Price. 💰📉

Essa eficiência pode ajudar a aliviar algumas preocupações sobre o impacto ambiental dos data centers de IA, que já contribuíram para o aumento das emissões de gases de efeito estufa do Google nos últimos anos. No entanto, é difícil avaliar como o GenCast se compara aos modelos baseados em física em termos 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 capacidade de escalar para uma resolução maior. Além disso, o GenCast emite previsões em intervalos de 12 horas, em comparação aos modelos tradicionais, que normalmente emitem previsões em intervalos mais curtos. Isso pode influenciar como essas previsões podem ser usadas no mundo real (por exemplo, para avaliar quanta energia eólica estará disponível) 🌪️⚡️.

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

Embora haja interesse crescente em como a IA pode ser usada para melhorar a previsão, sua eficácia ainda precisa ser comprovada. "As pessoas estão observando. Não acho que toda a comunidade meteorológica esteja convencida disso", disse Mullens. “Somos cientistas treinados que pensam em termos de física… e como a IA não é fundamentalmente física, ainda há um elemento em que nos perguntamos: 'Isso é bom? E por quê?'” 🤷‍♂️⚖️

Os meteorologistas podem testar o GenCast por si mesmos; A DeepMind publicou o código a partir de seu modelo de código aberto. Price diz que vê GenCast e outros modelos de IA aprimorados sendo usado no mundo real junto com modelos tradicionais. “Quando esses modelos estão nas mãos de profissionais, mais confiança é construída”, diz Price. “Queremos realmente que isso tenha um amplo impacto social.” 🌍💡