jili slot
jili slot
A previsão do tempo é uma tarefa difícil - realmente difícil, mas um novo modelo de previsão alimentado por IA acaba de atingir um marco que tem especialistas dizendo que sua previsão pode em breve se tornar mais precisa e mais distante também.
Leva um esforço hercúleo para acompanhar o clima em uma atmosfera constantemente em fluxo. A tarefa é tão difícil e complexa que uma previsão confiável com mais de alguns dias de antecedência era inédita há apenas algumas décadas.
Uma previsão de cinco dias no início dos anos 1980 era precisa apenas uma parte do tempo. Mas melhores observações do tempo, maior poder de computação e inovações na forma como o clima ao redor do globo é modelado por computadores melhoraram as previsões aos trancos e barrancos. Hoje, a mesma previsão acerta o alvo.
As previsões deram um passo à frente este mês, disseram os especialistas, graças ao GenCast, um novo modelo de previsão de inteligência artificial do DeepMind do Google. Suas previsões ao longo de 15 dias foram significativamente mais precisas do que um dos modelos de previsão não AI mais respeitados, de acordo com um estudo publicado pelo DeepMind na revista.
“É um resultado impressionante”, disse Peter Dueben, especialista em aprendizado de máquina e chefe de modelagem de sistemas terrestres no Centro Europeu de Previsões Meteorológicas de Médio Alcance, lar do modelo superado pelo GenCast. “É um grande passo.”
O GenCast ainda não está pronto para o público. Ele e outros modelos de IA ainda têm alguns problemas-chave a resolver, particularmente na previsão do tempo mais frequente e severo de um mundo em aquecimento, antes de mudarem a previsão e salvarem vidas no processo.
A habilidade e utilidade dos modelos de previsão do tempo sempre estiveram intimamente ligadas à tecnologia.
A maioria dos modelos de previsão do tempo usados hoje são baseados em uma série complexa de equações matemáticas que modelam a física da atmosfera e usam centenas de milhões de pontos de dados de observações meteorológicas em tempo real para pintar um quadro de como o tempo se desenrolará um dia, uma semana ou até uma estação a partir de agora.
Este processo de previsão numérica do tempo foi concebido pela primeira vez no início de 1900 e precisava ser feito à mão, um método tão lento que o tempo já havia acontecido muito antes de as cálculos serem concluídos.
Os primeiros computadores melhoraram a previsão nos anos 1950 e 1960, mas não foi até 1974 que o primeiro modelo capaz de puxar dados de todo o mundo e gerar uma previsão rudimentar se tornou operacional.
Avance para os dias atuais e os supercomputadores estão realizando um número quase inimaginável de cálculos diariamente para produzir previsões meteorológicas altamente detalhadas muitos dias no futuro ao redor do globo.
Mas os modelos de previsão atuais ainda têm limitações. Os mais robustos só podem ser executados a cada poucas horas por causa do tempo que leva para fazer os cálculos complexos. Eles também exigem muito poder de computação e energia que os tornam caros.
E eles têm limitações quando se trata de previsão também. Quanto mais longe no tempo eles se afastam das observações da atmosfera, mais difícil é ter uma ideia clara do que está por vir porque a atmosfera nunca para de mudar.
A maioria dos modelos de previsão do tempo de IA como o GenCast do Google adota uma abordagem diferente. Em vez de confiar em observações inseridas em equações baseadas em física, eles preveem como a atmosfera da Terra pode se comportar no futuro, analisando dados meteorológicos passados verificados para entender como a atmosfera se comportou em situações semelhantes. Isso ajuda a melhorar a precisão em relação aos modelos tradicionais, eliminando erros dos dados meteorológicos em tempo real.
Os modelos de previsão de IA também executam simulações muito mais rápido e usam menos energia e poder de computação do que os modelos tradicionais, uma vez que estão treinados e prontos para funcionar. Isso significa que eles podem ser executados com mais frequência e modelar uma gama mais ampla de possibilidades, melhorando as previsões à medida que o fazem.
A modelagem do tempo de IA antes do GenCast do Google foi limitada a modelos que produzem uma única previsão sem qualquer indicação de quão provável é que aconteça. É essencialmente um palpite que é mais útil para prever variáveis meteorológicas comuns como temperatura, precipitação e vento alguns dias antes.
Mas o GenCast executa dezenas de simulações simultaneamente.
“Uma vez que você tem vários futuros possíveis, isso lhe dá uma noção tanto da gama do que pode acontecer e também permite calcular quão prováveis são alguns (futuros) em vez de outros”, de acordo com Ilan Price, o autor principal do novo estudo e um cientista pesquisador sênior com o DeepMind.
Este tipo de abordagem de modelagem é altamente considerado porque confere mais confiança às previsões meteorológicas para cerca de cinco a 15 dias no futuro.
O modelo do Centro Europeu de Previsões Meteorológicas de Médio Alcance é amplamente considerado o padrão ouro. Foi o que o Google quis superar com sua versão AI inédita - e conseguiu.
Os pesquisadores treinaram o GenCast em 40 anos de dados meteorológicos até 2018. Eles então usaram o modelo treinado para prever mais de 1.300 combinações de condições como temperaturas, precipitação e velocidades do vento, no clima de 2019.
O modelo de IA produziu previsões mais precisas do que o modelo tradicional do ECMWF para mais de 97% dessas variáveis dentro de um prazo de 15 dias, mas mostrou habilidade particular na primeira semana de previsões.
Ele mostrou uma melhoria de precisão de 10 a 30% nas previsões na faixa de três a cinco dias, dependendo da combinação exata de variáveis testadas, de acordo com Price. O GenCast também teve previsões mais precisas do que o modelo do ECMWF até 15 dias no futuro, disse o estudo.
O modelo de IA poderia capturar melhor algumas formas de clima extremo, incluindo temperaturas excepcionalmente altas e baixas e velocidades de vento extremas. O GenCast também precisava de menos de 10 minutos para rodar em um supercomputador, em comparação com as horas necessárias para os modelos tradicionais.
Os resultados marcam um “ponto de inflexão” na tecnologia de modelagem do tempo de IA, disse Price.
“A previsão do tempo baseada em IA está pronta para o horário nobre”, acrescentou Price. “Está pronto para começar a ser incorporado ao lado dos modelos tradicionais em operação.”
O GenCast ainda não está em operação, mas a equipe do DeepMind planeja dar mais um passo em direção a isso, liberando suas previsões do dia atual e um arquivo de suas previsões passadas, de acordo com Price.
O GenCast é um avanço crítico na modelagem, mas como qualquer outro modelo de previsão do tempo, não é perfeito.
Os modelos de IA introduzem um novo problema potencial, pois preveem o futuro com base no que viram nos dados passados.
“O modelo de aprendizado de máquina ... não sabe nada sobre física”, explicou Dueben.
Isso pode tornar difícil para a IA conceber extremos futuros que não ocorreram no passado recente. Um modelo de IA treinado em apenas 40 anos de dados pode prever com precisão os tipos de extremos que ocorrem em uma frequência em um clima em mudança, como um evento de chuva torrencial de uma vez em 100 anos ou uma vez em 1.000 anos?
“Acontece que na verdade esses modelos são mais robustos para esses eventos extremos do que você pensaria”, disse Dueben. O ECMWF testou modelos de IA contra o tempo real por mais de um ano agora e viu melhorias em sua precisão geral, mesmo com eventos extremos, ele explicou.
Mas os modelos de IA podem começar a inventar física impossível na Terra quanto mais longe no tempo eles olham, de acordo com Dueben.
Outros problemas de previsão permanecem, particularmente com um dos fenômenos meteorológicos mais destrutivos: os ciclones tropicais.
Prever com precisão o quão forte um ciclone tropical como um furacão ou tufão pode se tornar é um problema que aflige todos os modelos. É um problema crucial a ser resolvido à medida que o mundo se aquece devido à poluição por combustíveis fósseis.
O GenCast mostrou melhor habilidade do que os modelos tradicionais ao prever as trilhas dos sistemas tropicais, mas lutou para capturar com precisão a intensidade, de acordo com Price.
Em parte, isso ocorre porque alguns dos recentes notáveis não foram incluídos nos 40 anos de dados em que o GenCast foi treinado, observou Price.
É um problema que Price está “bastante confiante” de que pode ser superado no futuro à medida que o modelo treina em mais dados.
Também existem modelos em desenvolvimento que combinam aprendizado de máquina com física do mundo real - conhecidos como modelos híbridos - que podem ser a solução para alguns desses problemas.
Cada passo à frente com esta tecnologia nascente adiciona outra ferramenta que os meteorologistas humanos podem usar para criar previsões precisas das quais as pessoas dependem para quase todos os aspectos de suas vidas.
“Você pode ser tão cético quanto quiser contra as previsões de aprendizado de máquina em princípio”, disse Dueben. “Esses modelos terão um impacto positivo em nossas previsões meteorológicas; não há dúvida nisso.”.jili slot.
jili slot
A previsão do tempo é uma tarefa difícil - realmente difícil, mas um novo modelo de previsão alimentado por IA acaba de atingir um marco que tem especialistas dizendo que sua previsão pode em breve se tornar mais precisa e mais distante também.
Leva um esforço hercúleo para acompanhar o clima em uma atmosfera constantemente em fluxo. A tarefa é tão difícil e complexa que uma previsão confiável com mais de alguns dias de antecedência era inédita há apenas algumas décadas.
Uma previsão de cinco dias no início dos anos 1980 era precisa apenas uma parte do tempo. Mas melhores observações do tempo, maior poder de computação e inovações na forma como o clima ao redor do globo é modelado por computadores melhoraram as previsões aos trancos e barrancos. Hoje, a mesma previsão acerta o alvo.
As previsões deram um passo à frente este mês, disseram os especialistas, graças ao GenCast, um novo modelo de previsão de inteligência artificial do DeepMind do Google. Suas previsões ao longo de 15 dias foram significativamente mais precisas do que um dos modelos de previsão não AI mais respeitados, de acordo com um estudo publicado pelo DeepMind na revista.
“É um resultado impressionante”, disse Peter Dueben, especialista em aprendizado de máquina e chefe de modelagem de sistemas terrestres no Centro Europeu de Previsões Meteorológicas de Médio Alcance, lar do modelo superado pelo GenCast. “É um grande passo.”
O GenCast ainda não está pronto para o público. Ele e outros modelos de IA ainda têm alguns problemas-chave a resolver, particularmente na previsão do tempo mais frequente e severo de um mundo em aquecimento, antes de mudarem a previsão e salvarem vidas no processo.
A habilidade e utilidade dos modelos de previsão do tempo sempre estiveram intimamente ligadas à tecnologia.
A maioria dos modelos de previsão do tempo usados hoje são baseados em uma série complexa de equações matemáticas que modelam a física da atmosfera e usam centenas de milhões de pontos de dados de observações meteorológicas em tempo real para pintar um quadro de como o tempo se desenrolará um dia, uma semana ou até uma estação a partir de agora.
Este processo de previsão numérica do tempo foi concebido pela primeira vez no início de 1900 e precisava ser feito à mão, um método tão lento que o tempo já havia acontecido muito antes de as cálculos serem concluídos.
Os primeiros computadores melhoraram a previsão nos anos 1950 e 1960, mas não foi até 1974 que o primeiro modelo capaz de puxar dados de todo o mundo e gerar uma previsão rudimentar se tornou operacional.
Avance para os dias atuais e os supercomputadores estão realizando um número quase inimaginável de cálculos diariamente para produzir previsões meteorológicas altamente detalhadas muitos dias no futuro ao redor do globo.
Mas os modelos de previsão atuais ainda têm limitações. Os mais robustos só podem ser executados a cada poucas horas por causa do tempo que leva para fazer os cálculos complexos. Eles também exigem muito poder de computação e energia que os tornam caros.
E eles têm limitações quando se trata de previsão também. Quanto mais longe no tempo eles se afastam das observações da atmosfera, mais difícil é ter uma ideia clara do que está por vir porque a atmosfera nunca para de mudar.
A maioria dos modelos de previsão do tempo de IA como o GenCast do Google adota uma abordagem diferente. Em vez de confiar em observações inseridas em equações baseadas em física, eles preveem como a atmosfera da Terra pode se comportar no futuro, analisando dados meteorológicos passados verificados para entender como a atmosfera se comportou em situações semelhantes. Isso ajuda a melhorar a precisão em relação aos modelos tradicionais, eliminando erros dos dados meteorológicos em tempo real.
Os modelos de previsão de IA também executam simulações muito mais rápido e usam menos energia e poder de computação do que os modelos tradicionais, uma vez que estão treinados e prontos para funcionar. Isso significa que eles podem ser executados com mais frequência e modelar uma gama mais ampla de possibilidades, melhorando as previsões à medida que o fazem.
A modelagem do tempo de IA antes do GenCast do Google foi limitada a modelos que produzem uma única previsão sem qualquer indicação de quão provável é que aconteça. É essencialmente um palpite que é mais útil para prever variáveis meteorológicas comuns como temperatura, precipitação e vento alguns dias antes.
Mas o GenCast executa dezenas de simulações simultaneamente.
“Uma vez que você tem vários futuros possíveis, isso lhe dá uma noção tanto da gama do que pode acontecer e também permite calcular quão prováveis são alguns (futuros) em vez de outros”, de acordo com Ilan Price, o autor principal do novo estudo e um cientista pesquisador sênior com o DeepMind.
Este tipo de abordagem de modelagem é altamente considerado porque confere mais confiança às previsões meteorológicas para cerca de cinco a 15 dias no futuro.
O modelo do Centro Europeu de Previsões Meteorológicas de Médio Alcance é amplamente considerado o padrão ouro. Foi o que o Google quis superar com sua versão AI inédita - e conseguiu.
Os pesquisadores treinaram o GenCast em 40 anos de dados meteorológicos até 2018. Eles então usaram o modelo treinado para prever mais de 1.300 combinações de condições como temperaturas, precipitação e velocidades do vento, no clima de 2019.
O modelo de IA produziu previsões mais precisas do que o modelo tradicional do ECMWF para mais de 97% dessas variáveis dentro de um prazo de 15 dias, mas mostrou habilidade particular na primeira semana de previsões.
Ele mostrou uma melhoria de precisão de 10 a 30% nas previsões na faixa de três a cinco dias, dependendo da combinação exata de variáveis testadas, de acordo com Price. O GenCast também teve previsões mais precisas do que o modelo do ECMWF até 15 dias no futuro, disse o estudo.
O modelo de IA poderia capturar melhor algumas formas de clima extremo, incluindo temperaturas excepcionalmente altas e baixas e velocidades de vento extremas. O GenCast também precisava de menos de 10 minutos para rodar em um supercomputador, em comparação com as horas necessárias para os modelos tradicionais.
Os resultados marcam um “ponto de inflexão” na tecnologia de modelagem do tempo de IA, disse Price.
“A previsão do tempo baseada em IA está pronta para o horário nobre”, acrescentou Price. “Está pronto para começar a ser incorporado ao lado dos modelos tradicionais em operação.”
O GenCast ainda não está em operação, mas a equipe do DeepMind planeja dar mais um passo em direção a isso, liberando suas previsões do dia atual e um arquivo de suas previsões passadas, de acordo com Price.
O GenCast é um avanço crítico na modelagem, mas como qualquer outro modelo de previsão do tempo, não é perfeito.
Os modelos de IA introduzem um novo problema potencial, pois preveem o futuro com base no que viram nos dados passados.
“O modelo de aprendizado de máquina ... não sabe nada sobre física”, explicou Dueben.
Isso pode tornar difícil para a IA conceber extremos futuros que não ocorreram no passado recente. Um modelo de IA treinado em apenas 40 anos de dados pode prever com precisão os tipos de extremos que ocorrem em uma frequência em um clima em mudança, como um evento de chuva torrencial de uma vez em 100 anos ou uma vez em 1.000 anos?
“Acontece que na verdade esses modelos são mais robustos para esses eventos extremos do que você pensaria”, disse Dueben. O ECMWF testou modelos de IA contra o tempo real por mais de um ano agora e viu melhorias em sua precisão geral, mesmo com eventos extremos, ele explicou.
Mas os modelos de IA podem começar a inventar física impossível na Terra quanto mais longe no tempo eles olham, de acordo com Dueben.
Outros problemas de previsão permanecem, particularmente com um dos fenômenos meteorológicos mais destrutivos: os ciclones tropicais.
Prever com precisão o quão forte um ciclone tropical como um furacão ou tufão pode se tornar é um problema que aflige todos os modelos. É um problema crucial a ser resolvido à medida que o mundo se aquece devido à poluição por combustíveis fósseis.
O GenCast mostrou melhor habilidade do que os modelos tradicionais ao prever as trilhas dos sistemas tropicais, mas lutou para capturar com precisão a intensidade, de acordo com Price.
Em parte, isso ocorre porque alguns dos recentes notáveis não foram incluídos nos 40 anos de dados em que o GenCast foi treinado, observou Price.
É um problema que Price está “bastante confiante” de que pode ser superado no futuro à medida que o modelo treina em mais dados.
Também existem modelos em desenvolvimento que combinam aprendizado de máquina com física do mundo real - conhecidos como modelos híbridos - que podem ser a solução para alguns desses problemas.
Cada passo à frente com esta tecnologia nascente adiciona outra ferramenta que os meteorologistas humanos podem usar para criar previsões precisas das quais as pessoas dependem para quase todos os aspectos de suas vidas.
“Você pode ser tão cético quanto quiser contra as previsões de aprendizado de máquina em princípio”, disse Dueben. “Esses modelos terão um impacto positivo em nossas previsões meteorológicas; não há dúvida nisso.”.jili slot.
Postar um comentário