En los noticieros televisivos, el pronóstico del tiempo se anuncia en un par de minutos y, en el teléfono móvil, puede leerse en segundos. Sin embargo, estas previsiones llevan horas de trabajo en una supercomputadora, que utiliza miles de chips y consume una gran cantidad de energía. Un nuevo modelo basado en el aprendizaje automático, desarrollado por Google DeepMind, la división de inteligencia artificial (IA) del gigante de internet, se propone agilizar esta tarea y ofrecer un buen pronóstico meteorológico para todo el planeta en menos de un minuto.
Según un artículo publicado en noviembre en la revista Science, la fiabilidad de los pronósticos meteorológicos a 10 días que proporciona GraphCast, el modelo de Google DeepMind supera, la mayoría de las veces, el desempeño de los mejores servicios meteorológicos disponibles.
El estudio comparó el rendimiento de GraphCast con el modelo HRES, del European Centre for Medium-Range Weather Forecast (ECMWF), uno de los referentes de este segmento. El sistema de Google hizo previsiones para 1.380 variables del clima y, en más del 90 % de los casos, tuvo un rendimiento superior al del HRES. Al compararlo con otro modelo meteorológico basado en el aprendizaje automático, Pangu-Weather, desarrollado recientemente por la empresa china Huawei, GraphCast también obtuvo mejores resultados en el 99 % de los casos, según el artículo.
“Nuestros análisis revelaron que GraphCast puede asimismo identificar eventos severos antes que los modelos tradicionales, pese a que no ha sido entrenado para ese propósito”, dijo en un comunicado el científico de la computación Rémi Lam, de Google DeepMind, autor principal del estudio.
El nuevo sistema de pronóstico meteorológico opera en la nube, en máquinas que utilizan un chip desarrollado específicamente por Google para ejecutar tareas que comprenden el empleo de IA, el TPU v4. A diferencia de HRES y otros servicios tradicionales, que adoptan el Pronóstico Meteorológico Numérico, también llamado modelo determinista, GraphCast utiliza la IA para elaborar sus proyecciones.
En la previsión numérica, se emplean ecuaciones matemáticas complejas basadas en la física atmosférica para anticipar, por ejemplo, si va a llover o estará soleado durante la semana. El modelo de Google utiliza una variante específica de las técnicas de aprendizaje automático conocida como redes neuronales basadas en grafos. Este abordaje es útil para datos distribuidos espacialmente que mantienen un vínculo entre sí. Con este enfoque, es como si la atmósfera de la Tierra estuviera envuelta en una malla rectangular llena de nodos y aristas interconectadas.
En el aprendizaje automático, un algoritmo analiza información del pasado para establecer patrones y adquirir la capacidad de elaborar un pronóstico. GraphCast ha sido entrenado a partir de una base de datos del ECMWF, que recopila una serie histórica con estadísticas sobre la atmósfera, los océanos y la superficie terrestre. La información meteorológica disponible desde 1979 hasta 2017 se utilizó específicamente para enseñarle al modelo de Google a realizar predicciones.
GraphCastPantalla del modelo GraphCast con los pronósticos de lluvias para ÁfricaGraphCast
Para su funcionamiento, el modelo basado en IA requiere solamente de dos conjuntos iniciales de parámetros: las condiciones meteorológicas actuales y las de las últimas seis horas de la Tierra en todo el mundo. Con ello, puede elaborar un pronóstico meteorológico para las próximas seis horas. A partir de este resultado inicial, puede realizar nuevas previsiones sucesivas para las seis horas subsiguientes hasta completar un lapso de 10 días.
El área mínima del globo para el que GraphCast puede realizar un pronóstico específico equivale a un cuadrado de 28 kilómetros (km) de lado. Por su parte, HRES proporciona predicciones a 10 días para una superficie menor a la mitad de esa área. Aun así, según el artículo, GraphCast es más preciso aunque su resolución espacial sea menor que la de HRES.
En estas capas, el modelo de Google fue más eficiente en sus pronósticos del tiempo en casi el 100 % de los análisis. “También hicimos una prueba añadiendo datos meteorológicos correspondientes a años más recientes y verificamos que, cuanto más cerca de la fecha actual, las previsiones son de mejor calidad”, dice la matemática brasileña Meire Fortunato, de Google DeepMind, una de las autoras del artículo.
“El modelo puede entrenarse para adaptarse rápidamente a las condiciones climáticas recientes. La arquitectura actual aún no incorporó esta funcionalidad, pero no se está lejos de ese avance”, comenta Fortunato. Un posible sesgo del pronóstico hecho mediante IA, reconoce la brasileña, es la posibilidad de que el modelo funcione mejor en lugares donde hay más datos atmosféricos disponibles.
Para el meteorólogo Luiz Augusto Machado, de la Universidad de São Paulo (USP), quien no participó en el estudio, la ventaja principal de GraphCast es su bajo costo. Mientras que el funcionamiento de HRES requiere de una gran capacidad computacional, GraphCast puede generar sus previsiones a partir de un servicio barato en la nube. La hora de trabajo de un chip TPU v4 cuesta alrededor de 5 dólares. “En el período que va de 7 a 10 días, cuando la calidad del modelo determinista empieza a decaer, creo que GraphCast puede ofrecer mejores respuestas”, dice Machado.
El artículo también sugiere que GraphCast fue más preciso que el sistema europeo a la hora de inferir variables relacionadas con las olas estacionales de calor o frío. El meteorólogo de la USP manifiesta reparos al respecto de esta promocionada habilidad, así como a la posibilidad de que el modelo puede predecir condiciones repentinas, como cuando se desatan lluvias torrenciales. “Con el cambio climático, la pauta meteorológica está cambiando”, comenta Machado. “Si se entrena a la IA con datos del pasado, creo que tendría dificultades para predecir estos cambios”.
Para el científico de la computación Rafael Santos, del Instituto Nacional de Investigaciones Espaciales (Inpe), la propuesta de Google DeepMind es interesante, pero tiene sus limitaciones. Si bien el código del sistema es abierto y cualquier persona u organismo puede utilizarlo, GraphCast depende de la computación en la nube y de una arquitectura de hardware propia de la empresa para funcionar. “Esta es una característica del modelo de negocios de la empresa. GraphCast no puede reproducirse fielmente en la supercomputadora del Inpe”, reflexiona Santos.
El equipo de Google DeepMind considera que la tecnología puede ser una herramienta complementaria al modelo determinístico. En el sitio web del ECMWF, es posible consultar los pronósticos del clima experimentales elaborados por varios modelos meteorológicos basados en IA, tales como GraphCast, Pangu-Weather y AIFS, del propio centro europeo. Con todo, según Machado, no hay que olvidarse de un detalle importante: todos los grandes centros meteorológicos de referencia están en el hemisferio norte, donde se desarrollaron las ecuaciones que abastecen sus modelos. “La región tropical ostenta una peor calidad de previsión meteorológica que las regiones septentrionales. En Brasil, deberíamos centrarnos en minimizar este inconveniente”, recomienda el meteorólogo de la USP.
Artículo científico
LAM, R. et al. Learning skillful medium-range global weather forecasting. Science. v. 382, n. 6677. 14 nov. 23.
