Los pronósticos meteorológicos actuales se basan en modelos complejos que incorporan las leyes que rigen la dinámica de la atmósfera y los océanos, y estos modelos se ejecutan en algunas de las supercomputadoras más poderosas que existen. Sin embargo, Alphabet (la empresa matriz de Google) ha conseguido predecir las condiciones meteorológicas globales de los próximos 10 días en tan solo un minuto utilizando una única máquina del tamaño de un ordenador personal, gracias a la inteligencia artificial desarrollada por DeepMind. La IA de Google predice el tiempo y esto solo acaba de comenzar.
En este artículo vamos a contarte cómo la IA de Google predice el tiempo y cómo ha evolucionado esta tecnología.
La IA de Google predice el tiempo
Sorprendentemente, este sistema de inteligencia artificial supera a la mayoría de los sistemas modernos de predicción del tiempo en casi todos los aspectos. Curiosamente, parece que esta vez la inteligencia artificial está sirviendo como complemento de la inteligencia humana en lugar de reemplazarla.
El Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) posee un sistema increíblemente avanzado que se sometió a una importante actualización el año pasado, mejorando sus capacidades predictivas. Alojado en sus instalaciones de Bolonia, Italia, se encuentra un superordenador equipado con aproximadamente un millón de procesadores (en contraste con los dos o cuatro que se encuentran en un ordenador personal) y una extraordinaria potencia de cálculo de 30 petaflops, equivalente a la asombrosa cifra de 30.000 billones de cálculos por segundo.
Esta inmensa capacidad computacional es necesaria para una de sus herramientas, el Pronóstico de Alta Resolución (HRES), que predice con precisión los patrones climáticos globales a mediano plazo, que generalmente abarcan 10 días, con una impresionante resolución espacial de nueve kilómetros. Estas predicciones sirven como base para los pronósticos meteorológicos entregados por meteorólogos de todo el mundo. Recientemente, se ha empleado GraphCast, una inteligencia artificial desarrollada por Google DeepMind, para medir las capacidades de este formidable sistema en predicción del tiempo.
Resultados del estudio de IA
Los resultados de la comparación, publicados el martes en la revista Science, revelan que GraphCast supera a HRES en la predicción de numerosos factores meteorológicos. Según el estudio, la máquina de Google supera a la del ECMWF en el 90,3% de las 1.380 métricas examinadas.
Cuando se centra únicamente en la troposfera, la capa atmosférica donde ocurren la mayoría de los fenómenos meteorológicos, y se excluyen los datos de la estratosfera, que se encuentra aproximadamente entre 6 y 8 kilómetros sobre la superficie de la Tierra, la inteligencia artificial (IA) supera a las supercomputadoras supervisadas por humanos en el 99,7% de los casos. las variables analizadas. Sorprendentemente, este logro se logró utilizando una máquina que se parece mucho a una computadora personal conocida como unidad de procesamiento tensorial o TPU.
Según Álvaro Sánchez González, investigador de Google DeepMind, las TPU son hardware especializado que ofrece entrenamiento y ejecución de software de inteligencia artificial más eficiente en comparación con una PC normal, manteniendo un tamaño similar. Así como la tarjeta gráfica de una computadora se enfoca en renderizar imágenes, las TPU están diseñadas para sobresalir en productos matriciales. Para la capacitación de GraphCast, utilizamos 32 TPU en el transcurso de varias semanas. Sin embargo, una vez finalizado el entrenamiento, una sola TPU puede generar predicciones en menos de un minuto, tal y como explica Sánchez González, uno de los creadores del dispositivo.
GraphCast y los sistemas de predicción
Una distinción notable entre GraphCast y los sistemas de predicción existentes es su capacidad para incorporar datos históricos. Los creadores entrenaron el sistema utilizando datos meteorológicos del archivo del ECMWF que datan de 1979. Este extenso conjunto de datos abarca las precipitaciones en Santiago y los ciclones que han impactado a Acapulco durante un lapso de 40 años. Después de una considerable cantidad de entrenamiento, GraphCast tiene la notable capacidad de generar predicciones meteorológicas precisas.
Sólo requiere conocimiento de las condiciones climáticas seis horas antes e inmediatamente antes de su pronóstico para predecir con precisión el clima dentro de otras seis horas. Las predicciones son interdependientes y cada nuevo pronóstico informa al anterior. Ferran Alet, cocreador de esta impresionante máquina de DeepMind, explica su funcionamiento interno: «Nuestra red neuronal anticipa las condiciones meteorológicas con seis horas de antelación. Para pronosticar el tiempo en 24 horas, simplemente evaluamos el modelo cuatro veces. Alternativamente, podríamos haber entrenado modelos separados para los diferentes períodos de tiempo, como uno de seis horas y otro de 24 horas. Sin embargo, entendemos que los principios subyacentes que gobiernan el clima permanecen consistentes dentro de un período de seis horas»
«Por lo tanto, si podemos descubrir el modelo apropiado modelo de 6 horas y utilizamos sus propias predicciones como entrada, podemos pronosticar con precisión el clima para las próximas 12 horas y repetir este proceso cada seis horas.» Según Alet, este enfoque proporciona una cantidad sustancial de datos para un solo modelo, lo que resulta en un entrenamiento más eficiente.
Hasta ahora, los pronósticos meteorológicos se han basado en la predicción meteorológica numérica, que utiliza ecuaciones científicas desarrolladas a lo largo de la historia para dar cuenta de las diversas complejidades de la dinámica atmosférica. Los hallazgos de los investigadores establecen un conjunto de algoritmos matemáticos que las supercomputadoras deben ejecutar para generar predicciones para las próximas horas, días o semanas (aunque la confiabilidad disminuye significativamente más allá de los 15 días). Sin embargo, llevar a cabo esta tarea requiere una supercomputadora muy avanzada, lo que implica costos significativos y grandes esfuerzos de ingeniería.
Modelo de IA de Google predice el tiempo
Lo que es particularmente notable es que estos sistemas no utilizan las condiciones climáticas del día anterior o incluso del año anterior, a pesar de ocurrir en el mismo lugar y al mismo tiempo.
Por el contrario, aborda la tarea desde un ángulo diferente, casi al revés. A través de sus capacidades avanzadas de aprendizaje profundo, utiliza extensos archivos de datos meteorológicos pasados para adquirir una comprensión integral de la intrincada dinámica de causa y efecto que dicta la progresión del clima de la Tierra.
Según José Luis Casado, portavoz de la Agencia Meteorológica Española (AEMET), en el modelo atmosférico no se tienen en cuenta los datos históricos. Casado matiza que este modelo se basa en las observaciones existentes y en la predicción más reciente realizada por el propio modelo. Al comprender con precisión el estado actual de la atmósfera, es posible pronosticar su progresión futura. A diferencia de las técnicas de aprendizaje automático, este enfoque no utiliza datos históricos ni predicciones.
Espero que con esta información puedan conocer más sobre la IA de Google que predice el tiempo y sus características.