Finalmente, el robot te dirá qué chaqueta debes llevar para el evento. Google DeepMind, el fondo de inteligencia artificial del gigante de las búsquedas, acaba de anunciar un nuevo modelo de pronóstico del tiempo que supera a los sistemas tradicionales más del 90% de las veces. Un modelo de aprendizaje automático llamado GraphCast promete pronósticos de 10 días que son mejores, más rápidos y más eficientes energéticamente que los widgets que ejecutan su aplicación meteorológica actual.
«Creemos que esto representa un punto de inflexión en el pronóstico del tiempo», escribieron los investigadores de Google en un artículo. Estancia Publicado el martes.
En general, el modelo actual de predicción se denomina Predicción Meteorológica Numérica (NWP). La predicción numérica del tiempo (NWP) conecta las condiciones climáticas actuales en modelos masivos que simulan cambios futuros basados en los principios de la dinámica de fluidos, la termodinámica y otras ciencias atmosféricas. Es complejo, costoso y requiere mucha potencia informática.
En lugar de ejecutar simulaciones de cómo las partículas vuelan y chocan entre sí, GraphCast rompe con la tradición al centrarse más en datos históricos. En otras palabras, es un modelo de aprendizaje automático que hace predicciones basadas en lo que sucedió en el pasado. Hay mucha informática excelente por ahí, pero en general, es mucho más simple en términos del nivel y la cantidad de cálculos que requiere.
GraphCast comienza con el estado actual del clima de la Tierra y datos sobre el clima con seis horas de anticipación. Luego predice cómo será el tiempo dentro de seis horas. Luego, GraphCast introduce estas predicciones en el modelo, realiza el mismo cálculo y emite un pronóstico a largo plazo.
El equipo de Google comparó los resultados de GraphCasts con el modelo actual utilizado para el pronóstico del tiempo a mediano plazo, llamado HRES. Según el estudio, GraphCast superó «significativamente» a HRES en el 90% de los objetivos utilizados en la prueba.
GraphCast también ha tenido un éxito sorprendente en la predicción de eventos climáticos severos, incluidos ciclones tropicales y cambios extraños de temperatura, a pesar de que no estaba específicamente capacitado para manejarlos.
Los autores del estudio dicen que su trabajo pretende funcionar junto con los sistemas estándar en los que confían los meteorólogos. «Nuestro enfoque no debe considerarse una alternativa a los métodos tradicionales de pronóstico del tiempo», escribieron los autores del estudio. “En cambio, nuestro trabajo debe interpretarse como evidencia de esto. [machine learning weather prediction] Capaz de enfrentar los desafíos de los problemas de pronóstico del mundo real y tener la capacidad de complementar y mejorar los mejores métodos existentes.
«Analista exasperantemente humilde. Experto en tocino. Orgulloso especialista en alimentos. Lector certificado. Escritor ávido. Defensor de los zombis. Solucionador de problemas incurables».