Nuevo Modelo de IA Promete Predicciones Meteorológicas Más Rápidas e Inteligentes

Aardvark Weather, un nuevo modelo de IA desarrollado por investigadores en Reino Unido y Canadá, podría marcar un punto de inflexión en los pronósticos meteorológicos globales al reemplazar las simulaciones meteorológicas tradicionales con inteligencia artificial para maximizar la rentabilidad y precisión.

Investigadores de la Universidad de Cambridge, el Instituto Vector de la Universidad de Toronto y el Instituto Alan Turing revelaron los nuevos hallazgos en un informe reciente publicado en Nature.

A diferencia de las herramientas de pronóstico convencionales que simulan la física atmosférica mediante ecuaciones complejas, Aardvark Weather es un modelo de "deep learning" que genera pronósticos globales de viento, humedad, geopotencial y temperatura en múltiples niveles de presión.

También ofrece pronósticos locales para temperatura a 2 metros y velocidad del viento a 10 metros. El deep learning es un subconjunto del machine learning que enseña a las computadoras a reconocer patrones en grandes cantidades de datos.

 Artificial Intelligence

Cuando los Modelos de IA Son Presionados para 'Comportarse', Conspiran en Privado: OpenAI

Cuando los investigadores intentan evitar que los sistemas de IA "piensen malos pensamientos", los sistemas en realidad no mejoran su comportamiento. En lugar de eso, aprenden a ocultar sus verdaderas intenciones mientras continúan persiguiendo acciones problemáticas, según una nueva investigación de OpenAI. El fenómeno, que los investigadores denominan "obfuscated reward hacking" (hackeo de recompensa ofuscado), ofrece una valiosa perspectiva en el proceso de entrenamiento y muestra por qué es...

"En este momento, hay algunos componentes computacionalmente costosos en el proceso de pronóstico", explicó James Requeima, investigador postdoctoral en el Instituto Vector de la Universidad de Toronto, a Decrypt. "Hemos podido reemplazar muchas de estas partes que consumen tiempo con modelos mucho más ligeros entrenados para realizar las mismas tareas".

Al hacer que esos componentes sean más eficientes, Aardvark podría ejecutar pronósticos con mayor frecuencia y a resoluciones más altas, mejorando la velocidad y precisión.

Como explicó Requeima, el equipo diseñó componentes para reemplazar cada paso en el proceso de pronóstico, que implica convertir datos de observación en bruto en un pronóstico meteorológico.

"Descubrimos que una vez que estos componentes de machine learning se encadenan, el rendimiento general mejora significativamente", dijo. "Al ajustar todo el proceso para la tarea final que estamos apuntando, podemos optimizar cada componente no solo por su rol aislado, sino por cómo contribuye al resultado que más nos importa".

El proyecto también incluyó investigadores de Microsoft Research Cambridge, el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF) y el Estudio Antártico Británico.

Aardvark Weather utiliza datos atmosféricos en bruto —como mediciones de presión, temperatura y humedad relativa— para producir pronósticos globales y locales de alta resolución.

El sistema está construido alrededor de tres componentes neuronales: un codificador, un procesador y un decodificador.

• Codificador: Convierte datos observacionales en bruto y no estructurados en una representación cuadriculada de la atmósfera. Procesador: Genera pronósticos meteorológicos a partir de los datos cuadriculados.
• Decodificador: Traduce los pronósticos en predicciones locales específicas.

Para mejorar el rendimiento y la precisión de Aardvark, los componentes primero se preentrenan con datos de reanálisis ERA5 —un conjunto de datos históricos de alta calidad del ECMWF— y luego se ajustan utilizando observaciones meteorológicas del mundo real.

"La asimilación de datos, en general, funciona como un procedimiento autorregresivo. Comienzas con el pronóstico atmosférico actual, generado por sistemas dinámicos grandes que estiman su estado presente. En el tiempo cero, tienes este estado inicial", dijo Requeima. "Pero la asimilación de datos también necesita incorporar mediciones en tiempo real de sensores remotos. Entonces, recopilas observaciones reales junto con el pronóstico del modelo y ajustas tu estimación atmosférica en consecuencia".

Una fracción del costo y del tiempo

Según el informe, Aardvark puede generar un pronóstico global completo utilizando cuatro GPUs NVIDIA A100 en solo un segundo, en comparación con las horas necesarias para modelos más antiguos como el pronóstico de alta resolución del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo.

Esta drástica reducción en los requisitos de computación hace que los pronósticos personalizables de alta calidad sean accesibles para regiones y agencias sin los recursos para operar sistemas NWP a gran escala. También permite un ajuste mucho más rápido del modelo.

Aardvark se une a un conjunto creciente de herramientas destinadas a ayudar a los meteorólogos a predecir y responder a eventos meteorológicos extremos. Durante tormentas recientes, como los huracanes Helene y Milton, que azotaron la costa este de EE.UU. en octubre de 2024, los pronosticadores enfatizaron la importancia de la IA para mejorar la predicción de la intensidad de las tormentas.

Mirando hacia el futuro, Requeima señaló que el equipo planea hacer de Aardvark un proyecto de código abierto para hacer que la tecnología sea más accesible.

"Creo que es un paso importante hacia la democratización del modelado meteorológico, haciéndolo más ligero y accesible al público", dijo. "Esa es nuestra esperanza. También representa un avance importante en el modelado meteorológico de extremo a extremo, particularmente a través de un enfoque basado en datos y machine learning".

Editado por Sebastian Sinclair y Josh Quittner