Models
Google DeepMind presenta WeatherNext 3, el seu model meteorològic més precís
Google DeepMind i Google Research han presentat WeatherNext 3, un model global de predicció meteorològica que genera previsions horàries amb una resolució de fins a 5 quilòmetres i incorpora dades de satèl·lit en temps real. Avaluacions independents en viu el situen com el model global més precís fins ara, i els seus resultats ja alimenten productes d'ús massiu com la Cerca de Google i Maps.
Rep el resum diari d'IA
Cada matí, l'essencial de la intel·ligència artificial al teu correu, sense fum. Al dia amb la IA.
En subscriure-t'hi acceptes rebre el butlletí d'AI Informator. Pots donar-te de baixa quan vulguis.
En resum
- Resolució horària de fins a 5 quilòmetres, davant els aproximadament 25-30 quilòmetres dels models anteriors.
- Primer sistema de la família que integra de manera efectiva dades meteorològiques de satèl·lit en temps real.
- Brightband, en avaluacions independents en viu, el qualifica com el model global més precís fins ara.
- Disponible per a empreses a través de BigQuery, Earth Engine i Google Maps Platform, a més del seu ús a la Cerca i Maps.
Un salt de resolució de 25 a 5 quilòmetres
El principal avenç de WeatherNext 3 és la granularitat. El model produeix prediccions horàries amb una resolució de fins a 5 quilòmetres, mentre que els models globals anteriors treballaven en graelles d'entorn de 25-30 quilòmetres. Traduït a la pràctica, això significa passar d'una previsió que descriu el temps d'una comarca sencera a una que distingeix entre zones separades per uns quants quilòmetres.
Google descriu el resultat com una imatge global cinc vegades més nítida. Aquest augment de detall és especialment rellevant en els fenòmens que es concentren en àrees petites i en intervals curts de temps: el model millora de manera concreta la predicció de pluja i neu, dues variables tradicionalment difícils d'encertar tant en localització com en intensitat.
Dades de satèl·lit en temps real, la peça que faltava
La segona novetat és de naturalesa diferent i potser més estructural: WeatherNext 3 incorpora dades meteorològiques procedents de satèl·lits en temps real, fet que els models previs de la família no aconseguien integrar bé. L'observació satel·litària cobreix oceans, deserts i regions gairebé sense estacions en superfície, és a dir, bona part del planeta on les dades convencionals són escasses.
Aprofitar aquest flux d'informació de manera contínua permet que el model parteixi d'un estat inicial de l'atmosfera més fidel a la realitat. En predicció meteorològica, la qualitat d'aquest punt de partida condiciona tot el que ve després, perquè els errors inicials s'amplifiquen a mesura que avança l'horitzó de la previsió.
Validació externa i continuïtat amb els avenços anteriors
L'afirmació de precisió no se sosté únicament en proves internes. Segons les avaluacions independents en viu realitzades per Brightband, WeatherNext 3 és el model global més precís fins ara. El matís que siguin avaluacions en viu és important: es contrasta el pronòstic amb el que efectivament passa després, no només amb dades històriques ja conegudes pel model.
WeatherNext 3 arriba, a més, sobre una base ja construïda. DeepMind havia aconseguit avenços previs amb WeatherNext en la predicció de ciclons tropicals, amb millores en l'estimació de la seva trajectòria, la seva intensitat i l'estructura del vent associada. Aquests són precisament els escenaris on una previsió més encertada té conseqüències directes en decisions de protecció civil i evacuació.
Del laboratori a la Cerca, Maps i el núvol
Google ha optat per desplegar el model en dues direccions alhora. D'una banda, les seves prediccions s'integren en productes de consum massiu com la Cerca de Google i Maps, cosa que exposa la tecnologia a centenars de milions de consultes quotidianes. De l'altra, la companyia ofereix accés empresarial a través de BigQuery, el seu magatzem de dades analític al núvol, Earth Engine, la seva plataforma d'anàlisi geoespacial, i Google Maps Platform, el conjunt d'API (application programming interfaces, interfícies de programació d'aplicacions) amb què els desenvolupadors integren serveis de mapes i localització.
Aquesta doble via converteix el model en un recurs utilitzable per sectors que depenen del temps per operar: agricultura, logística, energia, aviació o assegurances poden consumir les previsions directament des d'infraestructura que moltes d'aquestes empreses ja utilitzen, sense necessitat de muntar la seva pròpia capacitat de càlcul meteorològic.
Conclusió
WeatherNext 3 consolida una tendència que feia anys que s'apuntava: la predicció meteorològica basada en aprenentatge automàtic ha deixat de ser una promesa acadèmica per competir de tu a tu amb els sistemes numèrics tradicionals, i fer-ho a més amb validació externa. El que és veritablement significatiu no és només el salt de resolució a 5 quilòmetres, sinó la combinació d'aquest detall amb l'assimilació de dades de satèl·lit en temps real i amb una distribució immediata tant en productes de consum com en plataformes empresarials. El pronòstic deixa de ser un producte que es consulta i passa a ser un servei que s'integra. Queda per veure com es comporta el model de manera sostinguda davant episodis extrems i en quina mesura els serveis meteorològics nacionals incorporen aquest tipus d'eines com a complement, i no com a substitut, dels seus propis sistemes de referència.
Fonts primàries
Rep el resum diari d'IA
Cada matí, l'essencial de la intel·ligència artificial al teu correu, sense fum. Al dia amb la IA.
En subscriure-t'hi acceptes rebre el butlletí d'AI Informator. Pots donar-te de baixa quan vulguis.
Comentarios