A meteorologia como ciência está avançando graças ao desenvolvimento da tecnologia. Atualmente, existem vários programas de computador capazes de prever diretamente quando e onde choverá. A companhia de DeepMind desenvolveu uma inteligência artificial capaz de prever quase exatamente quando e onde choverá. Esta empresa trabalhou com meteorologistas do Reino Unido para criar um modelo que seja melhor para fazer previsões de curto prazo do que os sistemas atuais.
Neste artigo vamos contar tudo o que você precisa saber sobre a bolsa Robleda, a tecnologia de previsão meteorológica da empresa DeepMind.
previsão do tempo
DeepMind, uma empresa de inteligência artificial com sede em Londres, continua sua carreira de aplicação de aprendizagem profunda a problemas científicos difíceis. A DeepMind desenvolveu uma ferramenta de aprendizagem profunda chamada DGMR em cooperação com o Met Office do British National Weather Service, que pode prever com precisão a probabilidade de chuva nos próximos 90 minutos. É um dos desafios mais difíceis na previsão do tempo.
Em uma comparação com as ferramentas existentes, dezenas de especialistas acreditam que as previsões do DGMR são as melhores em vários fatores, incluindo suas previsões de localização, alcance, movimento e intensidade da chuva, 89% das vezes. A nova ferramenta da DeepMind abre uma nova chave na biologia que os cientistas vêm tentando resolver há décadas.
No entanto, mesmo pequenas melhorias nas previsões são importantes. A previsão de chuvas, especialmente chuvas fortes, é crítica para muitas indústrias, desde atividades ao ar livre até serviços de aviação e emergências. Mas acertar é difícil. Determinar quanta água há no céu e quando e onde cairá depende de muitos processos climáticos, como mudanças de temperatura, formação de nuvens e vento. Todos esses fatores são complexos em si mesmos, mas são mais complexos quando combinados.
A melhor tecnologia de previsão disponível usa um grande número de simulações de computador da física atmosférica. São adequados para previsões de longo prazo, mas não são muito bons em prever o que acontecerá na próxima hora. Isso é chamado de previsão imediata.
Desenvolvimento DeepMind
Técnicas anteriores de aprendizado profundo foram desenvolvidas, mas essas técnicas geralmente funcionam bem em um aspecto, como prever a localização, e às custas de outro, como prever a força. Os dados de radar para chuvas fortes que ajudam a prever chuva imediata continuam sendo um grande desafio para os meteorologistas.
A equipe DeepMind usou dados de radar para treinar sua IA. Muitos países e regiões publicam frequentemente instantâneos de medições de radar que rastreiam a formação e o movimento das nuvens ao longo do dia. Por exemplo, no Reino Unido, novas leituras são publicadas a cada cinco minutos. Ao colocar essas fotos juntas, você pode obter um vídeo stop-motion atualizado que mostra como o padrão de chuva de um país muda.
Os pesquisadores enviam esses dados para uma rede de geração profunda semelhante à GAN, que é uma IA treinada que pode gerar novas amostras de dados muito semelhantes aos dados reais usados no treinamento. GAN tem sido usado para gerar rostos falsos, incluindo o Rembrandt falso. Nesse caso, DGMR (que significa "Modelo Gerativo de Chuva Profunda") aprendeu a gerar instantâneos de radar falsos que continuam a sequência de medição real.
Experimentos DeepMind AI
Shakir Mohamed, que liderou a pesquisa na DeepMind, disse que isso é o mesmo que assistir a alguns frames de um filme e adivinhar o que vai acontecer a seguir. Para testar esse método, a equipe pediu a 56 meteorologistas do Bureau de Meteorologia (que não estavam envolvidos no trabalho) que investigassem as simulações físicas mais avançadas e um conjunto de oponentes.
89% das pessoas disseram preferir os resultados fornecidos pela DGMR. Os algoritmos de aprendizado de máquina geralmente tentam otimizar para uma medida simples de quão boas são suas previsões. No entanto, a previsão do tempo tem muitos aspectos diferentes. Talvez uma previsão tenha colocado a intensidade de chuva errada no lugar certo, ou outra previsão obteve a combinação correta de intensidades, mas no lugar errado, e assim por diante.
DeepMind disse que vai liberar a estrutura de todas as proteínas conhecidas pela ciência. A empresa usou sua inteligência artificial de dobramento de proteínas AlphaFold para gerar estruturas para o proteoma humano, bem como para leveduras, moscas de frutas e camundongos.
A colaboração entre DeepMind e Met Office é um bom exemplo de trabalho com usuários finais para concluir o desenvolvimento de IA. Obviamente, essa é uma boa ideia, mas muitas vezes não acontece. A equipe trabalhou no projeto por vários anos e a contribuição de especialistas do Bureau de Meteorologia moldou o projeto. Suman Ravuri, um cientista pesquisador da DeepMind, disse: "Ele promove o desenvolvimento do nosso modelo de uma maneira diferente da nossa própria implementação." "Caso contrário, poderíamos ter criado um modelo que não seria particularmente útil no final."
A DeepMind também está ansiosa para mostrar que sua IA tem aplicações práticas. Para Shakir, DGMR e AlphaFold fazem parte da mesma história: a empresa usa seus anos de experiência resolvendo quebra-cabeças. Talvez a conclusão mais importante aqui seja que a DeepMind finalmente começou a listar problemas científicos do mundo real.
Avanços na previsão do tempo
A previsão do tempo deve ser apoiada pelo desenvolvimento de tecnologia à medida que estamos cada vez mais perto de compreender totalmente como funciona a nossa atmosfera. Muitas vezes o ser humano e seus cálculos podem estar sujeitos a erros comuns que podem ser evitados com o desenvolvimento da inteligência artificial.
A previsão do tempo é a chave para o ser humano, pois podemos aproveitar muito recursos hídricos mais eficientes e evitar algumas catástrofes em tempestades e chuvas fortes. Por esse motivo, os meteorologistas concordam cada vez mais em desenvolver projetos de inteligência artificial para a previsão de chuvas.
Espero que com essas informações você possa aprender mais sobre o projeto DeepMind e suas características.