Le previsioni meteorologiche potrebbero entrare in una nuova era grazie a GenCast, il modello AI sviluppato da Google DeepMind. Secondo una recente ricerca pubblicata su Nature, questo sistema di apprendimento automatico ha dimostrato una precisione superiore rispetto a uno dei modelli tradizionali più avanzati, l'ENS, quando testato su dati meteorologici del 2019.
Un nuovo approccio alle previsioni meteo
GenCast utilizza un'ampia base di dati storici, comprendente oltre quattro decenni di informazioni meteorologiche (1979-2018), per identificare schemi e realizzare previsioni fino a 15 giorni in anticipo. Al contrario, i modelli tradizionali come l'ENS si basano su simulazioni fisiche complesse che richiedono supercomputer ad alte prestazioni. Durante i test, GenCast si è rivelato più efficace del modello ENS nel tracciare percorsi di cicloni tropicali, fornendo avvisi con 12 ore di anticipo in più rispetto ai sistemi tradizionali.
Nonostante GenCast abbia operato con una risoluzione inferiore rispetto all'ENS del 2019 (0,25 gradi contro 0,2), ha comunque ottenuto risultati migliori. Tuttavia, l'ENS ha subito miglioramenti significativi negli anni successivi, rendendo difficile un confronto diretto con le versioni più recenti.
Vantaggi in termini di velocità ed efficienza
Uno degli aspetti più impressionanti di GenCast è la sua velocità. Grazie all'uso delle TPU di Google Cloud, è in grado di generare previsioni di 15 giorni in appena otto minuti, mentre i modelli basati sulla fisica richiedono ore. Questa efficienza rappresenta un vantaggio non solo in termini di risparmio di tempo ma anche di riduzione dei costi energetici, una questione cruciale per i data center ad alto consumo energetico.
L'efficienza computazionale di GenCast potrebbe mitigare l'impatto ambientale associato ai data center utilizzati per l'AI. Tuttavia, senza dati precisi sull'energia necessaria per l'addestramento del modello, è difficile effettuare confronti diretti con i metodi tradizionali.
Nonostante i successi, GenCast ha margini di miglioramento. Attualmente, le sue previsioni vengono aggiornate ogni 12 ore, un intervallo che potrebbe non essere sufficiente per applicazioni pratiche come la stima della produzione eolica durante la giornata. Inoltre, c'è un crescente interesse nel migliorare la risoluzione del modello per avvicinarlo ulteriormente agli standard dei modelli tradizionali.
