Google lanzó GraphCast, un modelo de pronóstico más rápido y preciso, que supera significativamente los métodos actuales y ofrece alertas más tempranas sobre fenómenos meteorológicos extremos. La opinión de dos expertos a Infobae
Frente al cada vez más cambiante clima y a la falta de previsiones meteorológicas certeras, la ciencia de datos y particularmente la Inteligencia Artificial buscan tener protagonismo y ser la fuente consultada en esta materia.
Por Infobae
Eso ocurrió esta semana, cuando Google presentó GraphCast, un nuevo modelo de pronóstico del tiempo “más rápido y preciso” con hasta 10 días de antelación. Según sus responsables, de la empresa DeepMind, “supera significativamente” a los sistemas tradicionales y sirve, además, para ofrecer alertas más tempranas sobre fenómenos meteorológicos extremos.
“Creemos que esto marca un punto de inflexión en la previsión meteorológica”, describieron los autores en un estudio científico publicado en la revista Science. En la actualidad, el método de referencia para la predicción meteorológica es la “predicción numérica del tiempo” (PNT). Si bien la precisión de los modelos PNT se ha mejorado restrictivamente a lo largo de varios decenios, resultan costosos, complejos y exigentes desde el punto de vista computacional, por lo que requieren mayores recursos informáticos para mejorar la precisión de las previsiones. La predicción meteorológica basada en el aprendizaje automático (MLW ), que puede entrenarse a partir de datos históricos, ofrece una alternativa. Además, MLWP puede aprovechar el hardware moderno de aprendizaje profundo para aumentar la eficiencia.
“La predicción del tiempo es uno de los esfuerzos científicos más antiguos y desafiantes. Las predicciones a mediano plazo son importantes para respaldar la toma de decisiones clave en todos los sectores, desde la energía renovable hasta la logística de eventos, pero son difíciles de hacer con precisión y eficiencia”, agregaron sus creadores.
Según sus desarrolladores, GraphCast es un sistema de pronóstico del tiempo basado en aprendizaje automático y Graph Neural Networks (GNN), que es una arquitectura particularmente útil para procesar datos estructurados espacialmente.
El equipo de Google comparó los resultados se su invención con el modelo actual que se utiliza para la predicción meteorológica a medio plazo, llamado HRES. Según el estudio, GraphCast superó significativamente a HRES en el 90% de los objetivos utilizados en la prueba. También tuvo un éxito sorprendente en la predicción de fenómenos meteorológicos extremos, incluidos ciclones tropicales y cambios de temperatura extraños, a pesar de que no estaba específicamente entrenado para manejarlos.
Aunque este método tradicional ha sido un “triunfo de la ciencia y la ingeniería”, diseñar las ecuaciones y los algoritmos lleva mucho tiempo, exige gran experiencia y costosos ordenadores para conseguir pronósticos precisos, explica en su blog DeepMind, que defiende que el aprendizaje profundo ofrece un enfoque diferente. Se trata, agrega, de usar datos en lugar de ecuaciones físicas para crear un sistema de pronóstico del tiempo.
“Es un importante paso adelante en la inteligencia artificial (IA) para la predicción meteorológica, ofreciendo pronósticos más precisos y eficientes, y abriendo caminos para respaldar la toma de decisiones críticas”, señalan los autores, entre los que se encuentran los españoles Álvaro Sánchez González y Ferran Alet.
Matilde Rusticucci, doctora en Ciencias de la Atmósfera y Licenciada en Ciencias Meteorológicas de la Universidad de Buenos Aires (UBA), comentó a Infobae esta novedosa invención de Google. “Me parece súper interesante, este uso concreto de lo que ahora se llama inteligencia artificial. Es ciencia de datos, lo que nosotros venimos haciendo hace mil años con menos datos y con la misma tecnología. Es como lo que ahora se llama pronóstico estadístico, porque básicamente se basa en los datos anteriores, en las relaciones anteriores existentes y con eso se hacen las predicciones con la capacidad de una gran computadora y todo el conocimiento previo que se tiene de la física de la atmósfera y de los datos disponibles. Es una metodología que se venía utilizando paralela a la de las ecuaciones. Ahora, si este es más eficiente que el otro habría que probarlo, ellos dicen que sí, pero claro es la otra rama del pronóstico, lo que se llama pronóstico estadístico”, explicó Rusticucci, que es profesora en la UBA.
Y agregó: “Nosotros venimos haciendo ese pronóstico estadístico climático todos los meses. Nosotros y en todo el mundo se hacen los pronósticos, las proyecciones estadísticas a partir de los modelos que reproducen las ecuaciones de movimiento. Igualmente hay que seguir investigando”.
Leer más en Infobae