Em resumo
- O WeatherNext 2 gera centenas de previsões globais em menos de um minuto, permitindo atualizações de cenários mais frequentes do que os modelos convencionais.
- O Google já está usando o sistema no Search, Gemini, Pixel Weather e Maps, com uma implementação mais ampla planejada.
- Uma nova abordagem de modelagem, Redes Generativas Funcionais, aumentou a precisão em medidas importantes, incluindo ventos extremos e rastreamento de ciclones.
O Google DeepMind apresentou na segunda-feira um novo sistema de previsão do tempo alimentado por IA, capaz de gerar previsões meteorológicas globais oito vezes mais rápido do que as ferramentas tradicionais, disse.
Apelidado de WeatherNext 2, o sistema está a ser posicionado como uma ferramenta para ajudar as agências a prepararem-se mais rapidamente para condições severas, à medida que o mundo continua a enfrentar desastres naturais frequentes estimulados por um clima cada vez mais quente.
Para fazer isso, ele gera centenas de cenários possíveis a partir de um único ponto de partida, cada um computado em menos de um minuto em uma única Tensor Processing Unit, um chip especializado desenvolvido pelo Google para acelerar o aprendizado de máquina e as cargas de trabalho de IA.
“Contamos com previsões meteorológicas precisas para decisões críticas – desde cadeias de abastecimento até redes de energia e planejamento de colheitas”, escreveu o cientista pesquisador do Google DeepMind, Peter Battaglia, no X. “A IA está transformando a forma como prevemos o tempo”.
Implantação em produtos do Google
A previsão do WeatherNext 2 já está em execução no Search, Gemini, Pixel Weather e na API Weather do Google Maps, com suporte mais amplo chegando posteriormente.
“Estamos trabalhando com as equipes do Google para integrar o WeatherNext em nosso sistema de previsão”, disse o gerente de produto do WeatherNext 2, Akib Uddin, em um comunicado. “Quer você esteja na pesquisa, no Android ou no Google Maps, o clima afeta a todos e, portanto, ao fazer melhores previsões meteorológicas, podemos ajudar a todos.”
Os modelos convencionais podem levar horas, limitando a frequência com que os cenários podem ser atualizados, disse DeepMind. Ao usar IA avançada, o WeatherNext 2 superou seu modelo operacional anterior, WeatherNext Gen, afirma a empresa.
“É cerca de oito vezes mais rápido que o modelo probabilístico anterior que lançamos no ano passado e, em termos de resolução, é seis vezes maior”, disse Battaglia em comunicado. “Portanto, em vez de dar passos de seis horas, ele dá passos de uma hora. Ele supera o clima anterior da próxima geração em 99,9% das variáveis que testamos.”
Em termos práticos, isso significa que o novo sistema produziu previsões mais precisas de temperatura, vento, umidade e pressão em quase todos os lugares e em quase todos os pontos da janela de 15 dias.
A DeepMind atribuiu os ganhos a uma nova abordagem de modelagem descrita em um artigo de pesquisa de junho sobre Redes Generativas Funcionais, ou FGN, que muda a forma como o sistema representa a incerteza e gera variações de previsão.
Uma nova abordagem de modelagem
O FGN é treinado apenas em previsões de variável única, ou “marginais”, como temperatura, vento ou umidade em um local específico, de acordo com o Google.
Apesar disso, o modelo aprende como essas variáveis interagem, permitindo-lhe prever padrões mais amplos e interligados, tais como eventos de calor regionais e comportamento de ciclones.
O Google disse que o FGN igualou o GenCast nas previsões de temperatura extrema de dois metros e o excedeu nas previsões de vento extremo de dez metros, dependendo da variável.
O modelo também mostrou uma calibração mais forte ao longo dos prazos de entrega e melhor desempenho quando as previsões foram avaliadas em regiões maiores, em vez de pontos individuais.
Usando a Pontuação de Probabilidade Classificada Contínua – uma métrica de precisão padrão que verifica até que ponto a gama completa de resultados previstos de um modelo corresponde ao que realmente ocorreu – o artigo relata melhorias médias de 8,7% para CRPS com pool médio e 7,5% para CRPS com pool máximo em comparação com GenCast.
Desempenho de previsão de ciclones
A FGN também melhorou as previsões de ciclones tropicais.
Em comparação com os registos históricos do International Best Track Archive for Climate Stewardship, as previsões da média do conjunto reduziram os erros de posição em cerca de 24 horas de tempo de espera entre as previsões de três e cinco dias.
Uma versão do FGN executada em intervalos de 12 horas apresentou erros maiores do que a versão de seis horas, mas ainda superou o GenCast em prazos superiores a dois dias.
As previsões de probabilidade de seguimento mostraram um valor económico relativo mais elevado na maioria dos rácios de custos-perdas e prazos de entrega.
A DeepMind disse que ferramentas experimentais de previsão de ciclones construídas com esta tecnologia foram compartilhadas com agências meteorológicas.
“Você obtém previsões mais precisas e mais rápidas, e isso ajuda todos a tomar as decisões certas, especialmente à medida que começamos a ver condições climáticas cada vez mais extremas”, disse Uddin. “Acho que há todo um espectro de aplicações para uma melhor previsão do tempo.”
Geralmente inteligente Boletim informativo
Uma jornada semanal de IA narrada por Gen, um modelo generativo de IA.
