Agencias, Ciudad de México.- Google ha desarrollado otro modelo de inteligencia artificial (IA) generativa, denominado SEEDS, que se basa en los modelos probabilísticos de difusión de eliminación de ruido para mitigar la incertidumbre en la predicción del tiempo.
SEEDS es el acrónimo en inglés de ‘Muestrario de difusión envolvente de conjunto escalable’ (Scalable Ensemble Envelope Diffusion Sampler) y ha sido diseñado para mitigar la incertidumbre y la imprecisión de los pronósticos de tiempo.
Para ello, y como explican los investigadores de Google, aprovecha las capacidades de la IA generativa para producir un conjunto de predicciones a escala a partir de uno o dos pronósticos y con un coste computacional mucho más reducido.
“Esto conduce a un sistema de pronóstico híbrido en el que algunas trayectorias climáticas calculadas con un modelo basado en la física se utilizan para generar un modelo de difusión que puede generar pronósticos adicionales de manera mucho más eficiente”, explican en el blog de Research.
Esto ofrece, asimismo, “una alternativa al paradigma operativo actual de pronóstico del tiempo, donde los recursos computacionales ahorrados por el emulador estadístico podrían asignarse a aumentar la resolución del modelo basado en la física o emitir pronósticos con mayor frecuencia”.
https://twitter.com/GoogleAI/status/1773774362413355099
Los investigadores de Google consideran que SEEDS da una muestra del potencial de la IA generativa para la predicción del tiempo, especialmente para la evaluación del riesgo climático.
La compañía tecnológica ha presentado recientemente otros trabajos en el mismo área: GraphCast, un modelo de IA de Google DeepMind diseñado para ofrecer un pronóstico preciso del tiempo que hará en los siguientes diez días, y para predecir eventos climáticos extremos; y MetNet-3, para pronósticos de alta resolución con hasta 24 horas de anticipación.
Sus responsables afirman que GraphCast puede hacer pronósticos a diez días en menos de un minuto en una sola máquina Google TPU v4. Si se utilizara a HRES, un pronóstico de diez días requeriría horas de cálculo en un superordenador con cientos de máquinas, como recogen en el blog de DeepMind.
Pero no solo es más rápido, sino también más preciso en sus predicciones. En este sentido, apuntan que GraphCast ha demostrado ser más preciso en más del 90 por ciento de las 1380 variables de prueba y pronosticó tiempos de entrega.
El modelo de Google DeepMind, en los pronósticos limitados a la troposfera, la capa de la atmósfera más próxima a la superficie terrestre, superó al HRES en el 99,7 por ciento de las variables de prueba para el clima futuro.
La importancia de este modelo no radica solo en el que puede predecir son precisión y en menos de un minuto el tiempo que hará en los próximos diez días, sino que puede predecir también eventos climáticos extremos, como ciclones, diluvios y olas de calor, “a pesar de no haber sido capacitado para buscarlos”, como señalan sus responsables.
Generative AI to quantify uncertainty in weather forecasting https://t.co/6gXqbg5FSn < forecasters seem like delightful folks, but in what other profession can you be wrong so often, and everyone shrugs? AI can only help here 🙂 pic.twitter.com/JjQC2vORIK
— Richard Seroter (@rseroter) April 1, 2024
