El modelo de aprendizaje automático de DeepMind tarda menos de un minuto en predecir el clima futuro en todo el mundo con mayor precisión que otros enfoques.
La división de inteligencia artificial de Google, DeepMind, ha logrado crear un modelo de aprendizaje automático que permite pronosticar el tiempo en cuestión de minutos, en vez de horas como los modelos convencionales.
Lo mejor de GraphCast es que puede ejecutarse simplemente desde una PC de escritorio, realizando predicciones más precisas desde casa.
Te recomendamos
Así funciona
GraphCast supera a los enfoques convencionales y basados en inteligencia artificial en la mayoría de las tareas globales de pronóstico del tiempo.
Los investigadores primero entrenaron el modelo utilizando estimaciones del clima global pasado realizadas entre 1979 y 2017 mediante modelos físicos. Esto permitió a GraphCast aprender vínculos entre variables climáticas como la presión del aire, el viento, la temperatura y la humedad.
Hacer pronósticos a 10 días con GraphCast lleva menos de un minuto en una sola máquina Google TPU v4. En comparación, un pronóstico de 10 días utilizando un enfoque convencional, como HRES, puede requerir horas de cálculo en una supercomputadora con cientos de máquinas.
En una evaluación integral del desempeño frente al sistema determinista estándar, GraphCast proporcionó predicciones más precisas en más del 90 % de 1380 variables de prueba y pronosticó tiempos de entrega
El Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF) ya está utilizando GraphCast, y otras agencias meteorológicas también están desarrollando sus modelos basados en la arquitectura de red neuronal gráfica propuesta por Google.
Te recomendamos
A futuro
En el estudio publicado en la revista Science, GraphCast predijo el estado de 5 variables meteorológicas cercanas a la superficie de la Tierra, como la temperatura del aire a 2 metros del suelo, y 6 variables atmosféricas, como la velocidad del viento, más lejos de la superficie de la Tierra.
También resultó útil para predecir fenómenos meteorológicos severos, como la trayectoria de los ciclones tropicales y episodios de calor y frío extremos.
No obstante, aunque el rendimiento de GraphCast fue superior al de otros modelos en este estudio, según su evaluación mediante determinadas métricas, las evaluaciones futuras de su rendimiento utilizando otros datos podrían conducir a resultados ligeramente diferentes.
Según los especialistas, aún son necesario entre 2 a 5 años de avances para que la gente pueda utilizar la previsión del tiempo de la inteligencia artificial para tomar decisiones.
Los modelos de IA también corren el riesgo de amplificar los sesgos en sus datos de entrenamiento y requieren mucha energía para el entrenamiento, aunque consumen menos energía que los modelos convencionales.
Te recomendamos
Leonardo Ancajima Redactor
Comparte esta noticia
Siguenos en
