O Previsor de Tempo de IA da Google DeepMind derrota facilmente um padrão global
O Inteligente Observador de Tempo da IA da Google DeepMind supera com facilidade uma norma mundial
Em setembro, os pesquisadores da unidade de IA DeepMind do Google em Londres estavam prestando atenção incomum no clima do outro lado do oceano. O furacão Lee estava a pelo menos 10 dias de chegar à terra – uma eternidade em termos de previsão – e as previsões oficiais ainda estavam indecisas entre a tempestade atingindo as principais cidades do Nordeste ou passando completamente por elas. O próprio software experimental da DeepMind havia feito um prognóstico muito específico de onde a tempestade chegaria, muito mais ao norte. “Estávamos grudados em nossas cadeiras”, diz o cientista pesquisador Rémi Lam.
Uma semana e meia depois, em 16 de setembro, Lee atingiu a terra exatamente onde o software da DeepMind, chamado GraphCast, havia previsto dias antes: Ilha Longa, Nova Escócia – longe dos principais centros populacionais. Isso contribuiu para uma temporada revolucionária para uma nova geração de modelos de previsão do tempo baseados em IA, incluindo outros construídos pela Nvidia e Huawei, cujo desempenho impressionante surpreendeu o setor. Meteorologistas veteranos disseram ao ENBLE anteriormente nesta temporada de furacões que as sérias dúvidas dos meteorologistas em relação à IA foram substituídas pela expectativa de grandes mudanças no setor.
Hoje, o Google compartilhou novas evidências, revisadas por pares, dessa promessa. Em um artigo publicado hoje na Science, os pesquisadores da DeepMind relatam que seu modelo superou as previsões do European Centre for Medium-Range Weather Forecasting (ECMWF), um gigante global em previsão do tempo, em 90% de mais de 1.300 variáveis atmosféricas, como umidade e temperatura. Melhor ainda, o modelo da DeepMind pode ser executado em um laptop e fornecer uma previsão em menos de um minuto, enquanto os modelos convencionais exigem um supercomputador gigante.
A previsão de dez dias de um modelo meteorológico com base em IA para o furacão Lee em setembro previu com precisão onde ele atingiria a terra.
Cortesia do Google
Simulações meteorológicas padrão fazem suas previsões tentando replicar a física da atmosfera. Eles melhoraram ao longo dos anos, graças a matemática melhor e à coleta de observações meteorológicas detalhadas de uma crescente quantidade de sensores e satélites. No entanto, são inconvenientes. Previsões em grandes centros meteorológicos, como o ECMWF ou a Administração Nacional Oceânica e Atmosférica dos EUA, podem levar horas para serem calculadas em servidores potentes.
- Erro de atualização de software da Optus causa grande interrupção n...
- Canonical lança nova solução em nuvem de baixo toque e de código ab...
- Fundação Linux apoia computação de alto desempenho e exascalabilidade
Quando Peter Battaglia, diretor de pesquisa da DeepMind, começou a olhar para a previsão do tempo há alguns anos, parecia ser o problema perfeito para seu estilo de aprendizado de máquina específico. A DeepMind já havia lidado com previsões locais de precipitação com um sistema chamado chamado NowCasting, treinado com dados de radar. Agora, sua equipe queria tentar prever o clima em escala global.
Battaglia já conduzia uma equipe focada na aplicação de sistemas de IA chamados redes neurais gráficas, ou GNNs (Graph Neural Networks), para modelar o comportamento de fluidos, um desafio clássico da física que pode descrever o movimento de líquidos e gases. Dado que a previsão do tempo é essencialmente sobre modelar o fluxo de moléculas, o uso de GNNs parecia intuitivo. Embora o treinamento desses sistemas seja intensivo, exigindo centenas de unidades de processamento gráfico especializadas, ou GPUs, para processar enormes quantidades de dados, o sistema final é bastante leve, permitindo previsões serem geradas rapidamente com pouca potência computacional.
GNNs representam dados como “gráficos” matemáticos – redes de nós interconectados que podem se influenciar. No caso das previsões do tempo da DeepMind, cada nó representa um conjunto de condições atmosféricas em um local específico, como temperatura, umidade e pressão. Esses pontos estão distribuídos ao redor do mundo e em várias altitudes – uma nuvem literal de dados. O objetivo é prever como todos os dados nesses pontos vão interagir com seus vizinhos, capturando como as condições vão mudar ao longo do tempo.
Treinar o software para fazer boas previsões requer os dados certos. A DeepMind treinou suas redes para prever com precisão como qualquer conjunto de condições meteorológicas evoluirá usando 39 anos de observações coletadas e processadas pelo ECMWF. O processo visa ensinar o software como um conjunto inicial de padrões atmosféricos pode ser esperado para mudar ao longo de incrementos de seis horas. Cada previsão é inserida na próxima, produzindo eventualmente uma perspectiva de longo prazo que pode abranger uma semana.
O modelo de IA da DeepMind gera rapidamente previsões globais para condições climáticas como umidade, temperatura e velocidades do vento na superfície.
Cortesia do Google
Lam e Battaglia consideram o desempenho notável de seu modelo de previsão como um ponto de partida. Por ser capaz de calcular qualquer tipo de previsão com facilidade, eles acreditam que seria possível ajustar versões para terem um desempenho ainda melhor em certos tipos de condições climáticas, como precipitação, calor extremo ou trajetórias de furacões, ou fornecer previsões mais detalhadas para regiões específicas. O Google também está explorando como adicionar o GraphCast aos seus produtos. (A empresa recentemente adicionou um modelo de IA diferente, projetado para previsões de curto prazo, às suas previsões do tempo exibidas em dispositivos móveis.)
Matthew Chantry, que trabalha em previsão de aprendizado de máquina no ECMWF, afirma que o GraphCast do Google DeepMind emergiu como o mais forte entre os concorrentes de IA. “Com o tempo, ele será consistentemente um pouco melhor”, diz ele. “Isso é realmente emocionante.” O benefício adicional, acrescenta ele, é que o software é o único preditor de clima de IA a oferecer previsões de precipitação – uma tarefa particularmente difícil para os modelos de IA, porque a física que produz chuva tende a acontecer em uma resolução muito mais fina do que é suportada pelos dados usados para treiná-los.
Apesar dos bons resultados do Google, a previsão do tempo está longe de ser resolvida. Seu modelo de IA não é projetado para fornecer previsões de ensemble, que detalham múltiplos resultados potenciais para uma tempestade ou outro sistema climático, juntamente com uma variedade de probabilidades que podem ser especialmente úteis para eventos importantes como furacões.
Os modelos de IA também tendem a subestimar a intensidade de alguns dos eventos mais significativos, como as tempestades de Categoria 5. Isso possivelmente ocorre porque seus algoritmos favorecem previsões mais próximas das condições climáticas médias, tornando-os cautelosos ao prever cenários extremos. Os pesquisadores do GraphCast também relataram que seu modelo ficou aquém das previsões do ECMWF para condições na estratosfera – a parte superior da atmosfera – embora ainda não saibam o motivo.
Depender de dados históricos para treinamento envolve uma potencial fraqueza séria: e se o clima do futuro não se parece em nada com o clima do passado? Como os modelos de tempo tradicionais dependem das leis da física, acredita-se que eles sejam um tanto robustos às mudanças no clima da Terra. O clima muda, mas as regras que o regem não.
Battaglia diz que a capacidade do sistema DeepMind de prever uma ampla variedade de sistemas climáticos, incluindo furacões, apesar de ter visto relativamente poucos de cada tipo em seus dados de treinamento, sugere que ele internalizou a física da atmosfera. Ainda assim, é uma razão para treinar o modelo com dados o mais atualizados possível, afirma Battaglia.
No mês passado, quando o furacão Otis atingiu Acapulco, México, sua intensificação e trajetória sobre milhões de pessoas escaparam da previsão de todos os modelos de tempo – incluindo aqueles alimentados por IA. Tais tempestades são “pontos fora da curva”, diz Brian McNoldy, meteorologista da Universidade de Miami. Os meteorologistas ainda estão tentando descobrir o motivo disso, inclusive ao analisar lacunas no entendimento de como condições oceânicas incomuns ou processos profundos dentro de uma tempestade podem levá-la a se fortalecer rapidamente. Quaisquer novos insights e dados adquiridos retornarão aos modelos climáticos tradicionais da física – e também aos conjuntos de dados que alimentam os novos modelos baseados em IA, como o GraphCast do Google.
O ECMWF está criando seu próprio modelo de previsão do tempo de IA, inspirado no GraphCast, apostando que o conhecimento do agência sobre a física da atmosfera pode ajudar a projetar um modelo que funcione ainda melhor. A agência planeja lançar previsões de IA nos próximos um ou dois anos. Chantry espera que a comunidade de aprendizado de máquina continue a investir seus pesquisadores, capital da indústria e GPUs na melhoria das previsões meteorológicas também.
