La división de inteligencia artificial (IA) de Google, DeepMind, afirma en un artículo en la revista ‘Science’ que uno de sus modelos, denominado ‘GraphCast‘, ha superado la precisión de los meteorolòlegs en las previsiones del tiempo de manera significativa. Según explican, la mejora en las predicciones permite saber mucho mejor qué tiempos hará hasta con 10 días de antelación, unos resultados que podrían ayudar a hacerlas no solo mejores sino también más rápidas y más baratas.
Superior en un 90% de las métricas analizadas
Durante el estudio publicado, GraphCast dio resultados mejores que el que, hasta ahora, es considerado el sistema más avanzado del mundo: el del Centro Europeo de Predicciones Meteorológicas a medio plazo (ECMWF). En estas pruebas, el modelo de Google lo superó en un 90% de las casi 1.400 métricas analizadas, que incluyen la temperatura, la presió, la dirección y velocidad del ciento y la humedad en varios puntos de la atmósfera. Además, todas estas variables, y las perspectivas de cambio durante 10 días, se calculan en menos de un minuto.
Así pues, GraphCast podría suponer un gran adelanto en la velocidad y la precisión en el uso de la inteligencia artificial en la meteorología, que está avanzando mucho más rápido del que casi nadie podía esperar. Usando el aprendizaje automático y una red neural, entrenada con datos recogidos durante cuatro décadas por la ECMWF, ahora es capaz de procesar la situación meteorológica actual y de las últimas seis horas y generar un pronóstico durante los 10 días siguientes en solo un minuto, cosa que, además, reduce el consumo de energía unas 1.000 veces en comparación con los métodos tradicionales.
Algunas limitaciones
Sin embargo, esta nueva IA de Google tiene algunas limitaciones, puesto que en algunos casos, como en la intensificación sin aviso previo del huracán Otis en Acapulco el pasado 25 de noviembre, no superó los resultados de los modelos convencionales. Además, a causa de limitaciones tecnológicas, este gran modelo global no puede hacer predicciones tan detalladas como los modelos tradicionales, que continúan siendo mejores para estudiar la meteorología a una escala más pequeña.
