- O GenCast do Google DeepMind tem uma precisão comparável à dos sistemas tradicionais de previsão do tempo
- Segundo uma pesquisa recente, ao ser testado com base em dados de 2019, o GenCast superou o ENS, modelo de previsão de nível mundial, com probabilidade de 97,2%
Principais características do GenCast
- Como modelo de aprendizado de máquina baseado em IA, ele aprendeu com dados meteorológicos de 1979 a 2018 para reconhecer padrões e prever o futuro
- Enquanto o modelo tradicional (ENS) calcula equações complexas baseadas em física, o GenCast usa aprendizado de máquina para fazer previsões com mais eficiência
- Usa o método de previsão em ensemble para apresentar diferentes cenários:
- Ex.: nos prognósticos de trajetória de ciclones tropicais, fornece alertas em média 12 horas mais cedo
- Consegue prever tufões, eventos climáticos extremos, produção de energia eólica etc. com até 15 dias de antecedência
Desempenho e eficiência principais
- Economia de tempo e recursos:
- O GenCast gera uma previsão de 15 dias em 8 minutos usando o Google Cloud TPU v5
- O modelo tradicional ENS leva várias horas para gerar a mesma previsão
- Reduz o custo computacional ao contornar as equações da física
- Diferença de resolução:
- O GenCast opera com resolução de 0,25 grau (latitude e longitude)
- Em 2019, o ENS operava com resolução de 0,2 grau e, atualmente, foi aprimorado para 0,1 grau
- Apesar da diferença de resolução, o GenCast apresenta desempenho excelente
Coexistência entre IA e modelos tradicionais
- O GenCast fornece previsões em intervalos de 12 horas, o que o diferencia dos modelos tradicionais, que oferecem dados em intervalos mais curtos
- A DeepMind dá ênfase ao uso do GenCast junto com modelos tradicionais para construir confiança e segurança
- O GenCast pode ter impacto real como uma nova ferramenta para pesquisadores de meteorologia e profissionais de previsão
Limitações potenciais do modelo de IA
- Atualmente, a comparação de desempenho entre ENS e GenCast não é perfeita, porque o GenCast foi testado com base nos dados do ENS de 2019
- Ainda são necessárias melhorias adicionais, como expandir para resoluções mais altas ou oferecer intervalos de previsão mais curtos
- A comunidade meteorológica ainda debate se modelos baseados em IA podem ser tão confiáveis quanto modelos baseados em física
Código aberto e perspectivas futuras
- A DeepMind divulgou o código open source do GenCast para permitir o acesso de mais pesquisadores e profissionais
- A expectativa é que os modelos de IA, em vez de substituir os modelos tradicionais, os complementem para possibilitar previsões do tempo mais precisas e rápidas
- Os modelos de previsão do tempo com IA apontam para o potencial de revolucionar a forma como dados meteorológicos são usados, com o objetivo de gerar um impacto social melhor
Ainda não há comentários.