La división de Google dedicada a la investigación y desarrollo de aplicaciones de inteligencia artificial (IA), DeepMind, diseñó una herramienta que, sostienen, se destaca por su habilidad y velocidad inigualable para la elaboración de previsiones meteorológicas con ventanas de hasta 15 días.
GenCast, la aplicación desarrollada por DeepMind, representa una mejora para las predicciones probabilísticas de conjunto, el modelo con el que científicos y agencias meteorológicas predicen una serie de escenarios meteorológicos para obtener una imagen más completa sobre lo que puede ocurrer a lo largo de días y semanas. Para las primeras pruebas, el equipo entrenó a su modelo con datos meteorológicos de una serie histórica que comprende hasta el años 2018.
"Los modelos de aprendizaje automático como GenCast funcionan de manera muy distinta a los modelos clásicos. El ENS (un sistema de pronóstico probabilístico) del Centro Europeo de Predicción a Medio Plazo (líder mundial en predicción atmosférica) esencialmente simula las leyes de la física con superordenadores. En teoría, creemos conocer las leyes de los fluidos, pero a la práctica tenemos errores en los sensores y una capacidad de computación finita. Existen muchos parámetros de los modelos que no conocemos", explica Ferran Alet Puig, investigador senior de Google DeepMind y coautor del estudio, en declaraciones a la agencia Sinc.
Ilan Price, autor principal del nuevo artículo y principal científico investigador de DeepMind, describió por su parte el nuevo modelo de IA como una herramienta mucho más rápida y precisa que los métodos tradicionales.
Él y sus colegas descubrieron que GenCast superaba al anterior programa meteorológico de IA de DeepMind, que debutó a finales de 2023 con previsiones fiables para 10 días. Rémi Lam, científico principal de ese proyecto y uno de la decena de coautores de un artículo publicado en Nature, dijo que el equipo meteorológico de la empresa había progresado de manera sorprendentemente rápida.
"Soy un poco reacio a decirlo, pero es como si en un año hubiéramos conseguido mejoras de décadas", sostuvo.
Cómo funciona GenCast
Al igual que otros modelos de aprendizaje automático, el desarrollo de DeepMind funciona a partir de los datos de su entrenamiento. "Reciben muchos ejemplos donde tienen que predecir el tiempo mañana, según el tiempo hoy. De esta manera, aprenden relaciones que tienen en cuenta estas limitaciones de la computación, los sensores y las parametrizaciones", explica Alet Puig. GenCast, sostienen sus creadores, ofrece previsiones más precisas, tanto del tiempo cotidiano como de los fenómenos extremos, que el mejor sistema de previsión por conjuntos, del que dependen a diario muchas decisiones nacionales y locales, con hasta 15 días de antelación. Esto le permite al sistema superar a la previsión meteorológica tradicional de medio alcance más eficaz, y también predecir mejor el tiempo extremo, la trayectoria de los ciclones tropicales y la producción de energía eólica. "GenCast genera 50 predicciones. Son como 50 posibles escenarios. Con estos 50 futuros, podemos estimar todo tipo de probabilidades, tanto marginales como conjuntas", detalló el investigador. Alvaro Sanchez Gonzalez, otro de los investigadores de DeepMind, apuntó que "para el sistema tradicional ENS, las 50 predicciones tardan en diseminarse unas dos horas a partir de cuando el análisis atmosférico está disponible, y eso con un ordenador con miles de procesadores al límite de lo que es posible tecnológicamente". Mientras que GenCast, compara el investigador, puede generar una predicción en ocho minutos usando un solo dispositivo de hardware no mucho más grande que un ordenador normal. "Esto quiere decir que si usamos 50 de esos dispositivos (en vez de miles), se podrían tener las 50 predicciones en tan solo 8 minutos. Esto es importante no solo porque se pueden tener las predicciones casi dos horas antes, sino porque se podrían generar muchas más de 50 predicciones, lo que haría que se pudieran computar probabilidades más precisas", describió. "Probamos ambos sistemas de forma exhaustiva, analizando previsiones de distintas variables en distintos plazos: 1.320 combinaciones en total (incluyendo velocidades del viento, temperaturas y otras características atmosféricas globales). GenCast fue más preciso que ENS en el 97,2 % de estos objetivos, y en el 99,8 % en plazos superiores a 36 horas", enfatizó Gonzalez. El equipo de desarrolladores de DeepMind sostuvo que buscan que otros expertos en meteorología prueben esta tecnología, por lo que el proyecto será de código abierto. También publicarán previsiones históricas y en tiempo real. "Estamos deseosos de colaborar con la comunidad meteorológica en general, incluidos investigadores académicos, meteorólogos, científicos de datos, empresas de energías renovables y organizaciones dedicadas a la seguridad alimentaria y la respuesta a catástrofes. Este tipo de colaboraciones aportan conocimientos profundos y comentarios constructivos, así como oportunidades inestimables de impacto comercial y no comercial, todo lo cual es fundamental para nuestra misión de aplicar nuestros modelos en beneficio de la humanidad", concluyeron.
