Google desarrolló una IA que cambia paradigmas en la Meteorología

Google DeepMind desarrolló GenCast, un modelo de predicción meteorológica basado en inteligencia artificial que compite con sistemas tradicionales. En pruebas con datos de 2019, GenCast superó al modelo ENS del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) en el 97,2% de los casos. Este avance busca complementar, no reemplazar, las herramientas tradicionales para mejorar la precisión de los pronósticos climáticos.

GenCast utiliza aprendizaje automático y fue entrenado con datos meteorológicos históricos de 1979 a 2018. Esto permite identificar patrones para predecir fenómenos como ciclones y condiciones extremas con hasta 15 días de antelación. Por ejemplo, logró predecir trayectorias de ciclones con 12 horas adicionales de aviso en comparación con modelos tradicionales. A diferencia de ENS, que utiliza supercomputadoras para resolver ecuaciones físicas, GenCast genera pronósticos más rápido y con menor costo computacional. Según Ilan Price, investigador de DeepMind, "esto representa un paso importante en la evolución de los pronósticos meteorológicos".

Según The Verge, aunque GenCast demostró ser efectivo, se probó contra una versión antigua de ENS, que ahora opera con mayor resolución. ENS actual utiliza una cuadrícula de 0,1 grados, mientras que GenCast opera con 0,25 grados. Esta diferencia puede influir en la precisión de los resultados actuales. Matt Chantry, coordinador del ECMWF, reconoció el logro de la IA pero señaló que la comparación directa con los sistemas actuales aún no es concluyente.

La velocidad de GenCast es otro punto destacado. Genera un pronóstico de 15 días en ocho minutos, mientras que los modelos tradicionales necesitan horas para hacerlo. Esta eficiencia podría reducir el impacto ambiental de los centros de datos, aunque la energía necesaria para entrenar estos modelos de IA aún no está completamente evaluada.

GenCast también enfrenta desafíos. Su resolución es inferior a la de ENS, y realiza predicciones en intervalos de 12 horas, mientras que los modelos tradicionales lo hacen con mayor frecuencia. Esto podría limitar su utilidad en aplicaciones prácticas, como la planificación de energía eólica.