Il modello di intelligenza artificiale di Google, chiamato "GraphCast", è stato addestrato su quasi 40 anni di dati storici e può fare una previsione di 10 giorni a intervalli di sei ore per posizioni sparse in tutto il mondo in meno di un minuto su un computer delle dimensioni di una piccola scatola. Un modello tradizionale richiede un'ora o più su un supercomputer delle dimensioni di un autobus scolastico per compiere la stessa operazione. GraphCast è stato più accurato del modello europeo nel 90% delle variabili meteorologiche valutate.
Gli esperti ritengono che le prestazioni eccezionali di GraphCast e i risultati promettenti di altri modelli di intelligenza artificiale simili possano segnare l'inizio di una nuova era per la previsione del tempo, anche se ciò non significa che l'intelligenza artificiale sia pronta a sostituire tutti i metodi di previsione tradizionali. I modelli di intelligenza artificiale per il tempo stanno attirando sempre più attenzione dalle agenzie meteorologiche governative per la loro velocità, efficienza e potenziali risparmi di costi.
I modelli tradizionali di previsione del tempo, come il "modello europeo" e quello americano, si basano su complesse equazioni matematiche. Questi modelli sono alla base delle previsioni e degli avvisi di salvataggio in tutto il mondo, ma sono costosi da eseguire perché richiedono enormi quantità di potenza di calcolo. I modelli di intelligenza artificiale utilizzano un approccio diverso. Vengono prima addestrati a riconoscere i modelli in grandi quantità di dati storici sul tempo, quindi generano previsioni analizzando le condizioni attuali e applicando ciò che hanno imparato dai modelli storici. Questo processo richiede molto meno potenza di calcolo ed è completato in pochi minuti o addirittura secondi su computer molto più piccoli.
La capacità di imparare dagli archivi crescenti dei dati meteorologici passati è un vantaggio chiave dei modelli di intelligenza artificiale. "Questo potrebbe migliorare l'accuratezza delle previsioni catturando modelli e scale nei dati che non sono facilmente rappresentati da equazioni esplicite", hanno scritto gli autori dello studio.
GraphCast è stato valutato rispetto al modello europeo non solo per variabili meteorologiche individuali come temperatura, vento e pressione, ma anche per la previsione di eventi estremi come cicloni tropicali, fiumi atmosferici, ondate di calore e ondate di freddo. Il modello di intelligenza artificiale ha ridotto gli errori di previsione della traiettoria dei cicloni di circa 10-15 miglia con un anticipo di due-quattro giorni, migliorato le previsioni del vapore acqueo associato ai fiumi atmosferici del 10-25%, e fornito previsioni più precise del caldo e del freddo estremi da cinque a dieci giorni prima.
Nonostante questi risultati promettenti, ci sono ancora sfide da affrontare prima che i modelli di intelligenza artificiale come GraphCast possano essere utilizzati in modo affidabile per la previsione operativa del tempo. Ad esempio, a causa delle limitazioni dei dati di addestramento e dei vincoli tecnici, i modelli di intelligenza artificiale globali non sono ancora in grado di generare previsioni per un numero così elevato di parametri o con la stessa precisione dei modelli tradizionali. Ciò rende i modelli di intelligenza artificiale meno utili per prevedere fenomeni su piccola scala, come temporali e alluvioni improvvisi, o sistemi meteorologici più ampi che possono produrre grandi differenze nelle quantità di precipitazioni su piccole distanze.
I meteorologi devono anche imparare a fidarsi dei modelli di intelligenza artificiale, le cui modalità di funzionamento sono meno trasparenti rispetto a quelli tradizionali. "Un ruolo chiave dei meteorologi è interpretare e comunicare informazioni ai partner, un compito reso più difficile dalla mancanza di strumenti per determinare perché un modello di intelligenza artificiale fa una previsione", ha affermato Jacob Radford, ricercatore di visualizzazione dei dati presso il Cooperative Institute for Research in the Atmosphere presso la Colorado State University.
Gli esperti concordano sul fatto che i modelli tradizionali non saranno sostituiti dai modelli di intelligenza artificiale, che dipendono ancora dai modelli più vecchi per fornire dati di addestramento e generare le condizioni attuali che utilizzano come punto di partenza per fare una previsione. "Il nostro approccio non dovrebbe essere considerato come una sostituzione dei metodi tradizionali di previsione del tempo, che sono stati sviluppati per decenni, testati rigorosamente in molti contesti reali e offrono molte funzionalità che non abbiamo ancora esplorato", hanno scritto gli autori dello studio. "Piuttosto, il nostro lavoro dovrebbe essere interpretato come una prova che la previsione del tempo basata sull'intelligenza artificiale è in grado di affrontare i problemi reali della previsione del mondo reale e ha il potenziale per integrare e migliorare i metodi attuali migliori".
Conclusioni
Il nuovo modello di previsione del tempo di Google basato sull'intelligenza artificiale, chiamato GraphCast, ha dimostrato una precisione superiore rispetto ai modelli tradizionali e ha il potenziale per migliorare la previsione del tempo in futuro. Tuttavia, non sostituirà completamente i modelli tradizionali, ma potrebbe integrarli e migliorarli. L'utilizzo dell'intelligenza artificiale nella previsione del tempo offre vantaggi come velocità, efficienza e potenziali risparmi di costi. Tuttavia, ci sono ancora sfide da affrontare, come la mancanza di dati di addestramento sufficienti e la necessità di sviluppare fiducia nei modelli di intelligenza artificiale da parte dei meteorologi. Nonostante queste sfide, i progressi nell'intelligenza artificiale nella previsione del tempo sono promettenti e potrebbero portare a miglioramenti significativi nella precisione delle previsioni meteorologiche.