Previsioni Meteo 2.0: la rivoluzione inizia da Google AI, addio previsioni sbagliate a breve o lungo termine
Le previsioni del tempo sono sempre state caratterizzate da una certa dose di incertezza. Intelligenza artificiale di Google potrebbe presto cambiare le carte in tavola. Combinando il machine learning di Google e la fisica con le tecnologie convenzionali di previsione meteorologicaun team di Google guidato dal ricercatore Stephan Hoyer è riuscito a creare un modello previsionale che riesce a predire con maggior precisione scenari meteorologici recenti e, soprattutto, tendenze climatiche a lungo termine.
Il nuovo che avanza
Il modello AI di Google utilizza tecniche di machine learning per analizzare dati da varie fonti, compresi satelliti e stazioni meteorologiche. Grazie alla potenza di calcolo avanzato, può elaborare queste informazioni in pochi minuti, fornendo previsioni accurate con una velocità senza precedenti. Esistono già modelli di previsione climatica utilizzati in varie regioni del mondo, ma di solito per essere eseguiti richiedendo di supercomputer con potenze di calcolo esagerate e di tempi di attesa più o meno lunghi.
Il modello realizzato dal team di Stephan Hoyer invece può essere eseguito in una manciata di minutioffrendo risultati concreti e precisi.
Il sistema di previsione attuale si basa tipicamente sui modelli generali della circolazione (GCM, General Circulation Models), programmi che utilizzano la fisica per simulare le variazioni di stato negli oceani e nell'atmosfera e prevedere come potrebbero influenzare il clima e il meteo. Tuttavia, i GCM richiedono molta potenza di calcolo, ei progressi nel machine learning stanno iniziando a offrire un'alternativa più efficiente. “Abbiamo terabyte o petabyte di dati meteorologici storici”, Affermativo Hoyer. “Imparando da questi schemi, possiamo costruire modelli migliori”.
Esistono già dei modelli di previsione basati sul machine learning, come Pangu-Meteo sviluppato da Huawei, e Grafico Cast di Mente Profonda sviluppato in quel di Londra. I modelli in questione hanno livelli di accuratezza simili ai Modelli Generali della Circolazione, peccato però che non siano poi così precisi con le proiezioni climatiche a lungo termine.
Il modello sviluppato dal team di Google fa di più che sfruttare solo i dati pregressi, integrando la fisica nel proprio modello.
Da una parte ci sono modelli, come il GCM, che usano solo fisica e matematica. Dall'altro ci sono modelli più recenti che sfruttano solo il machine learning. “Il problema degli approcci puramente basati sul machine learning è che si allenano solo su dati vecchi” ha affermato Scott Hosking in un articolo apparso su Nature in questi giorni. “Il clima cambia continuamente, stiamo andando verso l'ignoto, quindi i nostri modelli di machine learning devono poter estrapolare informazioni anche dall'ignoto. Integrando la fisica nel modello, possiamo garantire che i nostri modelli siano fisicamente vincolati, e che quindi non possano produrre previsioni irrealistiche.”. Ed è da queste considerazioni che nasce il modello NeuralGCMun'evoluzione di quello “vecchio” che sfrutta appunto anche IA e machine learning insieme alla fisica.
Benefici per la società e consumo energetico
Qui non si tratta solo di fornire previsioni accurate per chi deve decidere se portare un ombrello o meno o se andare al mare o restare a casa.
Questo progresso tecnologico può avere un impatto significativo sulla preparazione in vista eventi meteorologici estremi, sostenere le comunità a prepararsi al meglio ea mitigare i danni potenziali. Il modello in questione aiuterà sicuramente anche per le previsioni a breve termine, ma l'idea è quella di sfruttarlo anche per prevedere fenomeni su vasta scala, come i cicloni tropicali.
NeuralGCM è stato testato anche su questo tipo di previsioni. I risultati hanno mostrato che molti modelli basati solo sul machine learning producevano previsioni inconsistenti e imprecise rispetto a NeuralGCM. Quest'ultimo è riuscito a fornire contenuti e traiettorie dei cicloni tropicali più realistici, impiegando un tempo più breve rispetto ai modelli climatici ad altissima risoluzione non noti come “global storm-resolving models”.
Un altro aspetto cruciale del nuovo modello di Google è la sua efficienza energetico. I modelli tradizionali di previsione del tempo richiedono un'enorme quantità di energia per elaborare i dati.
Google AI, invece, utilizza risorse in modo molto più efficiente, riducendo il consumo energetico e l'impatto ambientale, che di questi tempi non guasta affatto.
Il futuro della meteorologia è questo?
Molto probabilmente sì. L'intelligenza artificiale non serve solo a generare immagini, scrivere codice o applicare effetti buffi alle foto. In tutto il mondo ci sono ricercatori che usano machine learning e intelligenza artificiale (che non sono la stessa cosa) per migliorare tecnologie e modelli, e il meteo e le sue previsioni è uno dei tanti settori che nei prossimi anni ne beneficerà.
Visto che NeuralGMC riesce ad essere più veloce, più preciso e meno energivoro dei modelli attualmente in uso, è molto probabile che il frutto della ricerca del team di Hoyer sarà presto sfruttato per migliorare le previsioni meteo sia a lungo che a breve termine.
Potrebbe interessarti anche:
Gruppo Facebook
