Le previsioni meteorologiche accurate a medio termine restano ancora una sfida, nonostante i grandi passi avanti compiuti nel settore e la crescente attenzione che lo studio della meteorologia è in grado di calamitare su di sé. La frequenza degli eventi estremi, infatti, ha fatto comprendere anche ai più “naïf”, quanto sia importante poter prevedere e quanto siano oggi insufficienti i modelli meteorologici tradizionali. Richiedono grandi quantità di dati e tempo di elaborazione, un tempo incompatibile per chi gestisce le infrastrutture critiche o la sicurezza pubblica.
Oltre alle possibili vittime, nei casi più drammatici, in generale delle previsioni meteorologiche più accurate e affidabili potrebbero aiutare a ridurre i costi economici associati alle condizioni avverse, come i danni alle infrastrutture e le perdite di produzione.
Graphcast: un nuovo approccio alla meteorologia
Anche in questa sfida, si è pensato di sfoderare l’intelligenza artificiale, per comprendere se tale tecnologia possa offrire reali vantaggi. Tra chi ha scelto di sperimentarla sul campo c’è Google DeepMind. L’azienda di AI controllata da Alphabet ha sviluppato un modello in grado di generare previsioni del tempo di dieci giorni in meno di un minuto e che si è rivelato accurato quanto i tradizionali modelli. In alcuni casi anche di più.
Prevedendo anche lo scetticismo nei confronti di questo annuncio, comparso poi anche in un articolo sulla rivista Science, Google DeepMind ha reso il proprio modello disponibile gratuitamente alla community di ricerca e sviluppo, perché possa essere messo alla prova e poi utilizzato per migliorare le previsioni meteorologiche in tutto il mondo.
Lo ha battezzato GraphCast, non a caso: di fatto è una rete neurale a grafo composta da 36,7 milioni di parametri e addestrata con dati raccolti in 39 anni (dal 1979 al 2017) dal Centro europeo per le previsioni meteorologiche a medio raggio (ECMWF). Elaborando le previsioni che questo istituto di ricerca ha realizzato su scala globale, 24 ore su 24, 7 giorni su 7, il sistema è in grado di fornire una “vision” meteorologica di dieci giorni, suddivisa in slot di tempo di sei ore.
In questo caso, l’AI non fa da “semplice” acceleratore di calcolo: Google ha cambiato approccio abbandonando quello dei modelli dell’ECMWF basato su simulazioni matematiche, che modellano il movimento dell’atmosfera e degli oceani con equazioni di fluidodinamica. Il suo GraphCast, per fare previsioni, esamina infatti i modelli meteorologici nelle immagini satellitari, nei radar e nelle misurazioni delle stazioni meteorologiche. Prima suddivide in griglie le mappe globali con le informazioni su atmosfera e oceani, poi effettua un intenso training per identificare le relazioni tra le diverse variabili meteorologiche. In particolare, cerca di comprendere cosa produce fenomeni specifici e “potenzialmente” dannosi come i cicloni tropicali, i fiumi atmosferici e le ondate di calore.
Con questo nuovo paradigma di previsione, supportato dall’AI, a input semplici, come lo stato del tempo 6 ore prima e lo stato del tempo attuale, corrisponde un output prezioso e inedito come le previsioni del tempo di 6 ore in 6 ore, per i 10 giorni a venire. Previsioni che, nella pratica, riguardano la temperatura, la velocità e la direzione del vento, l’umidità e la pressione atmosferica a 37 diverse altitudini.
Bene, ma non benissimo: AI al fianco dell’uomo (e viceversa)
Per capire se quanto ottenuto fosse affidabile, oltre che comodo, doveroso un test di cui Google DeepMind stessa annuncia il successo. Sembra infatti che GraphCast sia in grado di fornire previsioni più accurate su oltre il 90% delle 1.380 variabili di test e dei tempi di previsione, rispetto alla maggior parte dei modelli tradizionali.
Efficace, accurato e veloce, quindi, ma tremendamente dipendente dalla qualità dei dati in entrata. Le speranze dei ricercatori che li hanno creati sono che GraphCast si evolverà e migliorerà man mano che saranno disponibili dati di qualità superiore. A migliorare dovrà essere anche il suo consumo quanto a potenza di calcolo. Solo il training ha richiesto l’esecuzione di un cluster di 32 chip TPU v4 di Google Cloud per quattro settimane, l’esecuzione fortunatamente è meno pretenziosa e può essere retta da una singola macchina Google TPU v4, che comprende quattro chip TPU v4.
Successive prove di previsione con GraphCast hanno svelato alcuni tentennamenti del suo modello, soprattutto nelle aree di incertezza o in alta stratosfera. Gli stessi mostrati anche dai modelli tradizionali che, però, riescono a fornire alcuni tipi di previsioni ancora impossibili da ottenere con l’AI.
Questa constatazione indica il ruolo di GraphCast nella “corsa alle previsioni migliori”. Può affiancare i metodi utilizzati finora, può integrarli, ma non sostituirli. Uomo e AI ancora una volta si trovano a dover e poter lavorare fianco a fianco in modo collaborativo per alzare l’asticella. In questo caso, per migliorare la sicurezza e l’efficienza di molte attività, dalle infrastrutture critiche alla pianificazione di eventi.
