Microsoft té una nova eina d'aprenentatge automàtic per millorar les previsions meteorològiques

Els models tradicionals de predicció meteorològica basats en la física i fins i tot els nous models d'IA solen ser menys fiables més enllà de dues setmanes, un problema que Microsoft afirma haver resolt mitjançant l'aprenentatge automàtic.

Investigadors de la companyia afirmen haver trobat una nova manera econòmica de fer previsions meteorològiques més precises d'entre dues i sis setmanes d'antelació, la qual cosa permetrà a agricultors i equips d'emergència planificar amb més certesa. Les troballes s'han publicat avui a la revista Nature, i l'eina ja és programari de codi obert.

Microsoft s'uneix a Google, Nvidia i altres empreses que desenvolupen eines d'IA per a la previsió meteorològica. En lloc de crear un nou model meteorològic independent, l'última recerca de Microsoft en aquest camp utilitza l'aprenentatge automàtic per corregir biaixos en els models existents. Els investigadors esperen que sigui una via més accessible perquè les agències meteorològiques amb pocs recursos millorin la precisió utilitzant la IA.

Mentre que la modelització basada en la física és una tasca que requereix molts recursos i s'executa en supercomputadors, i la IA generativa depèn de GPU potents, l'investigador principal de Microsoft Research New England Lester Mackey afirma que la nova eina es pot executar només en CPU. «Tinc moltes esperances posades tant en l'augment de l'eficiència en recursos de la predicció meteorològica com en la major fiabilitat de les previsions, especialment per a fenòmens meteorològics extrems», diu Mackey a The Verge.

Els models basats en la física i els basats en IA tenen problemes similars quan comencen a predir el temps amb dues setmanes o més d'antelació. Els models tradicionals intenten simular la física complexa de l'atmosfera terrestre, mentre que els models d'IA cerquen patrons en dades històriques per fer previsions. En ambdós enfocaments, els models depenen d'aproximacions per omplir els buits de dades, ja sigui de regions amb poques estacions meteorològiques o de fenòmens atmosfèrics complexos que els científics encara intenten comprendre. Les maneres en què aquests models compensen aquests buits en les dades poden convertir-se en un tipus de biaix sistemàtic. Els errors resultants s'acumulen a mesura que es fan previsions amb més antelació, cosa que fa que aquestes prediccions siguin menys precises.

Microsoft anomena el seu mètode Correcció Probabilística de Biaix (PBC). L'eina utilitza l'aprenentatge automàtic per identificar el biaix sistemàtic en un model i fer correccions. Un exemple que posa Mackey és la correcció dels canvis en el clima. Les emissions de gasos amb efecte d'hivernacle procedents de combustibles fòssils estan escalfant el planeta, però un model meteorològic podria fer prediccions basades en registres històrics que podrien esbiaixar-lo cap a temperatures més fredes de les que realment experimenta el món avui dia.

Els investigadors van descobrir que el PBC millorava la precisió d'un model meteorològic de referència basat en la física del Centre Europeu de Previsions Meteorològiques a Mitjà Termini (ECMWF) en un 98 per cent dels objectius de precipitació i un 92 per cent dels de temperatura. L'entorn d'aprenentatge automàtic també va duplicar la precisió del nou sistema de previsió per IA de l'ECMWF en l'anàlisi de l'estudi. Abans que es publiqués l'article, l'ECMWF ja havia premiat la investigació dels autors sobre el PBC en el seu concurs AI Weather Quest.