DeepMind afirma que o novo IA é o previsto do tempo de 10 dias mais preciso do mundo.
A DeepMind afirma que sua nova IA é o sistema de previsão do tempo mais preciso do mundo, com uma precisão de 10 dias.
Um novo modelo de IA do Google DeepMind é o sistema de previsão do tempo global de 10 dias mais preciso do mundo, de acordo com o laboratório sediado em Londres.
Denominado GraphCast, o modelo promete previsões meteorológicas de médio prazo de “precisão sem precedentes”. Em um estudo publicado hoje, o GraphCast mostrou-se mais preciso e rápido do que o padrão de ouro da indústria para a simulação do tempo, o High-Resolution Forecast (HRES).
O sistema também previu eventos climáticos extremos mais no futuro do que era possível anteriormente.
Esses insights foram analisados pelo Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF), uma organização intergovernamental que produz o HRES.
Uma versão ao vivo do GraphCast foi implantada no site do ECMWF. Em setembro, o sistema previu com precisão cerca de nove dias de antecedência que o Furacão Lee atingiria a Nova Escócia.
- Tudo o que as startups precisam saber sobre como construir um progr...
- Uber Tasks’ é como o Uber Eats, mas você recebe tarefas concl...
- Sam Bankman-Fried não enganou todo mundo – apenas a elite tec...
Em contraste, os métodos tradicionais de previsão apenas destacaram a Nova Escócia cerca de seis dias antes. Eles também forneceram previsões menos consistentes sobre a hora e o local de chegada.
Intrigantemente, o GraphCast consegue identificar eventos climáticos perigosos sem ter sido treinado para encontrá-los. Após integrar um rastreador simples de ciclones, o modelo previu os movimentos dos ciclones de forma mais precisa do que o método HRES.
Dados como esses podem salvar vidas e meios de subsistência. À medida que o clima se torna mais extremo e imprevisível, previsões rápidas e precisas fornecerão insights cada vez mais vitais para o planejamento de desastres.
Matthew Chantry, coordenador de aprendizado de máquina do ECMWF, acredita que sua indústria alcançou um ponto de inflexão.
“Provavelmente há mais trabalho a ser feito para criar produtos operacionais confiáveis, mas isso provavelmente é o início de uma revolução”, afirmou Chantry em uma coletiva de imprensa.
As organizações meteorológicas, acrescentou ele, esperavam anteriormente que a IA seria mais útil quando combinada com a física. Mas os avanços recentes mostram que a aprendizagem de máquina também pode prever diretamente o clima.
Como o GraphCast funciona
As previsões convencionais do tempo são baseadas em equações físicas intricadas. Elas são então adaptadas em algoritmos que rodam em supercomputadores.
O processo pode ser meticuloso. Ele também requer conhecimento especializado e vastos recursos de computação.
O GraphCast utiliza uma técnica diferente. O modelo combina aprendizado de máquina com Redes Neurais de Grafo (GNNs), uma arquitetura que é eficiente no processamento de dados estruturados espacialmente.
Para aprender as causas e efeitos que determinam as mudanças climáticas, o sistema foi treinado com décadas de informações meteorológicas.
Abordagens tradicionais também são incorporadas. O ECMWF forneceu ao GraphCast dados de treinamento de cerca de 40 anos de reanálise do clima, que incluíram monitoramento de satélites, radares e estações meteorológicas.
Quando há lacunas nas observações, métodos baseados em física as preenchem. O resultado é um histórico detalhado do clima global. O GraphCast usa essas lições do passado para prever o futuro.
O GraphCast faz previsões com uma resolução espacial de 0,25 graus de latitude/longitude.
Para ter uma ideia, imagine que a Terra seja dividida em um milhão de pontos de grade. Em cada ponto, o modelo prevê cinco variáveis da superfície terrestre e seis variáveis atmosféricas. Juntas, elas abrangem toda a atmosfera do planeta em 3D ao longo de 37 níveis.
As variáveis incluem temperatura, vento, umidade, precipitação e pressão do nível do mar. Elas também incorporam geopotencial – a energia potencial gravitacional de uma massa unitária, em um local específico, em relação ao nível médio do mar.
Em testes, os resultados foram impressionantes. O GraphCast superou significativamente os sistemas operacionais determinísticos mais precisos em 90% de 1.380 alvos de teste.
A disparidade foi ainda mais acentuada na troposfera – a camada mais baixa da atmosfera da Terra e o local da maioria dos fenômenos meteorológicos. Nesta região, o GraphCast superou o HRES em 99,7% das variáveis de teste para o clima futuro.
GraphCast também é altamente eficiente. Uma previsão de 10 dias leva menos de um minuto para ser concluída em uma única máquina Google TPU v4.
Em comparação, uma abordagem convencional pode levar horas de computação em um supercomputador com centenas de máquinas.
O futuro da IA na previsão do tempo
Apesar dos resultados promissores iniciais, o GraphCast ainda pode se beneficiar de um refinamento adicional. Nas previsões de ciclones, por exemplo, o modelo se mostrou preciso ao rastrear movimentos, mas menos eficaz na medição da intensidade.
Gentry está ansioso para ver quanto isso pode melhorar.
“No momento, essa é uma área em que o GraphCast e os modelos de aprendizado de máquina ainda ficam um pouco atrás dos modelos físicos… Tenho esperança de que isso possa ser uma área para melhorias, mas isso mostra que ainda é uma tecnologia incipiente”, disse ele.
Essas melhorias agora podem vir de qualquer lugar, pois a DeepMind disponibilizou o código do modelo. Organizações globais e indivíduos podem agora experimentar o GraphCast e adicionar suas próprias melhorias.
As aplicações potenciais são, ironicamente, imprevisíveis. As previsões podem, por exemplo, informar a produção de energia renovável e o encaminhamento do tráfego aéreo. Mas elas também podem ser aplicadas a tarefas que nem sequer foram imaginadas.
“Existem muitos casos de uso futuros para previsões meteorológicas”, disse Peter Battaglia, diretor de pesquisa do Google DeepMind. “E não estamos cientes de todos eles.”
