IA é tão boa em prever o tempo quanto agências de monitoramento do clima
Especialistas em meteorologia referem-se ao avanço significativo e gradual na previsão do tempo como uma “revolução silenciosa”. Com o passar dos anos, a precisão dessas previsões tem melhorado consideravelmente. Atualmente, as previsões para seis dias são tão confiáveis quanto as previsões de três dias eram há trinta anos. Esse avanço permitiu uma melhor preparação para eventos climáticos extremos, salvando vidas e recursos financeiros. No entanto, esse progresso requer a operação contínua de supercomputadores caros e que consomem muita energia, realizando apenas algumas previsões diárias.
Recentemente, uma nova mudança está ocorrendo graças à aplicação de inteligência artificial (IA) na previsão numérica do tempo. As tecnologias de IA demonstraram a capacidade de produzir previsões de dez dias em poucos minutos usando computadores pessoais acessíveis. Estas previsões são tão precisas quanto, ou até melhores que, os modelos tradicionais. O Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF), uma organização meteorológica de ponta, iniciou experimentos com previsões geradas por IA. Esta abordagem pode levar a atualizações mais frequentes e alocar recursos computacionais para resolver outros problemas complexos. Maria Molina, cientista de pesquisa atmosférica focada em IA na Universidade de Maryland, encontra-se entusiasmada com a possibilidade de criar previsões globais eficazes e de baixo custo.
Várias empresas de tecnologia de grande porte estão competindo para desenvolver os modelos de previsão mais eficientes. Modelos como o GraphCast da Google DeepMind e o Pangu-Weather da Huawei estão entre as contribuições notáveis, apresentadas em publicações científicas de destaque. A Google também desenvolveu um modelo de previsão meteorológica de curto prazo que faz previsões de 24 horas com alta precisão, superando as capacidades da maioria das agências meteorológicas. Aditya Grover, pesquisador de IA na Universidade da Califórnia, Los Angeles, reconhece isso como um progresso notável, especialmente considerando o ceticismo em torno de tais avanços há alguns anos.
Os métodos tradicionais de previsão do tempo envolvem processar um instantâneo atual das condições atmosféricas através de um modelo de computador detalhado e baseado em grades. Esse modelo aplica os princípios da dinâmica dos fluidos para simular condições futuras, um processo que exige muitos recursos computacionais. As agências meteorológicas atualizam esses modelos apenas quatro vezes ao dia, devido aos recursos substanciais necessários.
Em contraste, os novos modelos baseados em IA contornam esses cálculos complexos em favor de técnicas de aprendizado profundo. Eles aprendem a reconhecer padrões na evolução natural da atmosfera, analisando 40 anos de dados de reanálise do ECMWF, que combinam observações com previsões de modelos de curto prazo para uma visão histórica abrangente do clima. Por exemplo, o GraphCast da Google demonstrou superar as previsões do ECMWF em 90% dos casos para um período de dez dias, incluindo na previsão de trajetórias de furacões e temperaturas extremas. Após um período inicial de treinamento extensivo em 32 computadores, o algoritmo de IA resultante é eficiente o suficiente para operar em menos de um minuto em um computador de mesa comum, segundo Rémi Lam, autor principal do estudo do GraphCast.
Mesmo em cenários mais práticos, modelos de IA como o Pangu demonstraram precisão comparável ao modelo principal do ECMWF, apesar de usar um conjunto de dados mais limitado para previsões. Zied Ben Bouallègue, que liderou essa análise, publicada como um preprint no arXiv, expressou surpresa com esses resultados positivos.
O ritmo desses desenvolvimentos tem sido rápido. Um marco significativo foi alcançado em 2020 com a criação do WeatherBench por uma equipe liderada por Stephan Rasp, agora no Google. Esta plataforma facilitou o acesso aos dados de reanálise do ECMWF e estabeleceu um benchmark para avaliar a habilidade de previsão. Logo após, Ryan Keisler, físico agora na KoBold Metals, uma empresa de exploração mineral, publicou um estudo detalhando um modelo de IA simples, mas eficaz, para previsões de seis dias. Keisler apontou a abundância de dados históricos como um fator chave no sucesso do modelo.
A próxima evolução na previsão de IA envolve resultados de conjunto, que oferecem uma gama de resultados potenciais para capturar melhor a incerteza. Isso pode ser alcançado alterando ligeiramente as condições meteorológicas iniciais para cada execução do modelo ou empregando técnicas de IA generativa usadas em outros campos, como geração de texto e imagem. Rasp acredita que muitos grupos estão explorando essas abordagens, que podem aprimorar a capacidade dos modelos de IA de prever eventos climáticos extremos com mais precisão.
Para avançar ainda mais, os modelos de IA podem se afastar da dependência de dados de reanálise, que carregam vieses inerentes dos modelos tradicionais, e aprender diretamente a partir das vastas quantidades de dados de observação brutos mantidos pelas agências meteorológicas. O modelo de previsão de curto prazo da Google já está utilizando essa abordagem.
Christopher Bretherton, cientista atmosférico no Allen Institute for AI, vê aplicações mais amplas para esses modelos além da previsão do tempo. Embora eles não possam projetar tendências climáticas independentemente devido às limitações na duração e complexidade dos dados de treinamento, eles poderiam apoiar o desenvolvimento de modelos climáticos de alta resolução em computadores ultrarrápidos de próxima geração. Uma vez que esses modelos climáticos gerem dados suficientes para o treinamento de IA, os AIs poderiam potencialmente emular e acelerar seus processos.
Embora os métodos tradicionais de previsão não sejam substituídos tão cedo, a IA está rapidamente se tornando um suplemento valioso, de acordo com Matthew Chantry, que supervisiona as iniciativas de IA do ECMWF. Existem preocupações sobre a natureza opaca dos processos de tomada de decisão da IA, mas Chantry observa que os modelos tradicionais também possuem um nível de complexidade que introduz alguma opacidade.
No final, a adoção da IA na previsão do tempo pode depender das preferências e necessidades dos usuários. Como Grover observa, a escolha pode se resumir a se os usuários priorizam previsões mais precisas ou aquelas derivadas de equações baseadas em física. [Science]
