Il sistema di previsione del tempo basato sull’intelligenza artificiale di Google DeepMind batte facilmente uno standard globale.
Il sistema di previsione del tempo basato sull'intelligenza artificiale di Google DeepMind supera agevolmente uno standard globale.
A settembre, i ricercatori dell’unità di intelligenza artificiale DeepMind di Google a Londra prestavano una particolare attenzione al meteo dall’altra sponda dell’oceano. L’uragano Lee era ancora a oltre 10 giorni dall’arrivo a terraferma e le previsioni ufficiali oscillavano ancora tra la tempesta che avrebbe colpito le principali città della costa nord-est o se le avrebbe completamente mancate. Il software sperimentale di DeepMind aveva invece effettuato una prognosi molto specifica dell’arrivo a terra molto più a nord. “Ero incollato alla sedia”, dice il ricercatore scientifico Rémi Lam.
Una settimana e mezza dopo, il 16 settembre, Lee colpì la terra proprio dove il software di DeepMind, chiamato GraphCast, aveva predetto giorni prima: Long Island, Nuova Scozia, lontano dai principali centri abitati. Si è trattato di una stagione di svolta per una nuova generazione di modelli meteorologici alimentati dall’intelligenza artificiale, inclusi quelli costruiti da Nvidia e Huawei, il cui ottimo rendimento ha sorpreso il settore. I meteorologi veterani hanno dichiarato in precedenza in questa stagione degli uragani che i dubbi seri dei meteorologi sull’intelligenza artificiale sono stati sostituiti da una previsione di grandi cambiamenti nel settore.
Oggi, Google ha condiviso nuove evidenze promettenti verificate dai pari. In un articolo pubblicato oggi su Science, i ricercatori di DeepMind riferiscono che il loro modello ha superato le previsioni del centro europeo per le previsioni meteorologiche a medio termine (ECMWF), un gigante globale delle previsioni meteo, su oltre il 90% di più di 1.300 variabili atmosferiche come umidità e temperatura. Ancora meglio, il modello di DeepMind poteva essere eseguito su un laptop e fornire una previsione in meno di un minuto, mentre i modelli convenzionali richiedono un supercomputer gigante.
La previsione a dieci giorni di un modello meteorologico basato sull’intelligenza artificiale per l’uragano Lee a settembre ha previsto accuratamente dove avrebbe fatto landfall.
Cortesia di Google
Le simulazioni meteo standard effettuano previsioni cercando di replicare la fisica dell’atmosfera. Sono migliorate nel corso degli anni, grazie a una migliore matematica e all’utilizzo di osservazioni meteorologiche dettagliate provenienti da crescenti armate di sensori e satelliti. Tuttavia, sono anche ingombranti. Le previsioni presso i principali centri meteorologici come l’ECMWF o l’Amministrazione nazionale oceanica e atmosferica degli Stati Uniti possono richiedere ore per essere elaborate su potenti server.
- Errore di aggiornamento del software Optus provoca un’interru...
- Linux Foundation sostiene il calcolo ad alta performance e l’...
- Canonical rilascia una nuova soluzione per il cloud open-source a b...
Quando Peter Battaglia, direttore delle ricerche presso DeepMind, ha iniziato a interessarsi alle previsioni meteorologiche alcuni anni fa, sembrava il problema perfetto per il suo tipo specifico di apprendimento automatico. DeepMind si era già occupato di previsioni locali di precipitazioni con un sistema chiamato NowCasting, addestrato con dati radar. Ora, il suo team voleva provare a prevedere il meteo su scala globale.
Battaglia stava già dirigendo un team focalizzato sull’applicazione di sistemi di intelligenza artificiale chiamati reti neurali grafo, o GNN, per modellare il comportamento dei fluidi, una classica sfida della fisica che può descrivere il movimento dei liquidi e dei gas. Dato che la previsione meteo si basa essenzialmente sul modello del flusso delle molecole, utilizzare i GNN sembrava intuitivo. Sebbene addestrare questi sistemi richieda un grande sforzo, con centinaia di unità di elaborazione grafica specializzate o GPU per elaborare enormi quantità di dati, il sistema finale è leggero, consentendo la generazione rapida di previsioni con un minimo utilizzo di risorse informatiche.
I GNN rappresentano i dati come “grafo” matematici – reti di nodi interconnessi che possono influenzarsi reciprocamente. Nel caso delle previsioni meteorologiche di DeepMind, ogni nodo rappresenta un insieme di condizioni atmosferiche in una determinata posizione, come temperatura, umidità e pressione. Questi punti sono distribuiti in tutto il mondo e a diverse altitudini, formando una nuvola di dati. L’obiettivo è prevedere come tutti i dati in tutti quei punti interagiranno con i loro vicini, catturando come le condizioni si modificheranno nel tempo.
Per addestrare il software a fare buone previsioni, sono necessari i dati corretti. DeepMind ha addestrato le sue reti a prevedere accuratamente come un determinato insieme di condizioni meteorologiche si evolverà utilizzando 39 anni di osservazioni raccolte ed elaborate dall’ECMWF. Il processo serve a insegnare al software come ci si può aspettare che un insieme iniziale di pattern atmosferici si modifichi nel corso di intervalli di sei ore. Ogni previsione viene quindi alimentata nella successiva, producendo infine un panorama a lungo termine che può estendersi per una settimana.
Il modello IA di Google DeepMind genera rapidamente previsioni globali per condizioni atmosferiche come umidità, temperatura e velocità del vento superficiale.
Cortesia di Google
Lam e Battaglia considerano le eccezionali prestazioni del loro modello di previsione come un punto di partenza. Poiché può calcolare qualsiasi tipo di previsione con facilità, credono che sia possibile modificare le versioni per ottenere una migliore resa per determinati tipi di condizioni meteorologiche, come precipitazioni o calore estremo o tracciamenti degli uragani, o per fornire previsioni più dettagliate per regioni specifiche. Google afferma inoltre di essere interessata ad aggiungere GraphCast nei propri prodotti. (Recentemente l’azienda ha aggiunto un diverso modello di intelligenza artificiale, progettato per previsioni a breve termine, nelle previsioni meteo mostrate sui dispositivi mobili.)
Matthew Chantry, che lavora sulla previsione del machine learning presso l’ECMWF, afferma che GraphCast di Google DeepMind si è dimostrato il più forte tra i contendenti dell’IA. “Col passare del tempo sarà costantemente un po’ migliore”, afferma. “È davvero eccitante”. L’altro vantaggio, aggiunge, è che il software è l’unico previsionista del tempo basato sull’IA che offre previsioni di precipitazioni – un compito particolarmente difficile per i modelli di IA, perché la fisica che genera la pioggia tende a verificarsi a una risoluzione molto più fine rispetto ai dati utilizzati per addestrarli.
Nonostante i risultati positivi di Google, la previsione del tempo è ben lungi dall’essere risolta. Il suo modello di IA non è progettato per fornire previsioni ensemble, che descrivono molteplici possibili esiti per una tempesta o un altro sistema meteorologico, insieme a una serie di probabilità che possono essere particolarmente utili per eventi importanti come gli uragani.
I modelli di IA tendono anche a sottovalutare la forza di alcuni degli eventi più significativi, come le tempeste di categoria 5. Questo è probabilmente dovuto al fatto che i loro algoritmi favoriscono previsioni più vicine alle condizioni atmosferiche medie, rendendoli cauti nel prevedere scenari estremi. I ricercatori di GraphCast hanno anche segnalato che il loro modello era inferiore alle previsioni dell’ECMWF per le condizioni nella stratosfera, la parte superiore dell’atmosfera, anche se non sono ancora sicuri del motivo.
Fidarsi dei dati storici per l’addestramento comporta una potenziale debolezza seria: e se il tempo del futuro non assomiglia affatto al tempo del passato? Poiché i modelli tradizionali del tempo si basano sulle leggi della fisica, si ritiene siano abbastanza robusti ai cambiamenti nel clima della Terra. Il tempo cambia, ma le regole che lo governano no.
Battaglia afferma che la capacità del sistema DeepMind di prevedere una vasta gamma di sistemi meteorologici, compresi gli uragani, nonostante abbia visto relativamente poche istanze di ogni tipo nei suoi dati di addestramento, suggerisce che abbia interiorizzato la fisica dell’atmosfera. Tuttavia, è una ragione per addestrare il modello utilizzando dati il più attuali possibile, dice Battaglia.
Lo scorso mese, quando l’uragano Otis ha colpito Acapulco, in Messico, la sua intensificazione e il suo percorso su milioni di persone sono sfuggiti alla previsione di tutti i modelli del tempo, compresi quelli alimentati dall’IA. Tali tempeste sono “eccezioni tra le eccezioni”, sostiene Brian McNoldy, meteorologo presso l’Università di Miami. I meteorologi stanno ancora cercando di capire il motivo di ciò, anche analizzando le lacune nella comprensione di come condizioni insolite dell’oceano o processi all’interno di una tempesta possano portarla a rafforzarsi rapidamente. Qualsiasi nuova conoscenza e dati acquisiti verranno riversati nei modelli di fisica tradizionali del tempo e anche nei dati che alimentano i nuovi modelli basati sull’IA, come GraphCast di Google.
L’ECMWF sta creando un suo modello di previsione del tempo basato sull’IA, ispirato a GraphCast, scommettendo sulla sua competenza nella fisica dell’atmosfera per progettare un modello ancora migliore. Si prevede di lanciare previsioni basate sull’IA entro l’anno o i prossimi due anni. Chantry spera che la comunità del machine learning continui a investire risorse, soldi aziendali e potenza di calcolo per migliorare le previsioni del tempo.
