Che tempo farà tra una settimana? L'Intelligenza Artificiale sa probabilmente stabilirlo in modo più accurato rispetto alle agenzie meteorologiche, e consumando meno energia. Siamo quindi destinati a cedere all'IA anche questo settore di eccellenza scientifica? No, o almeno non così in fretta.
Partiamo dalla notizia: GraphCast, un modello sviluppato dal colosso specializzato in IA Google DeepMind, ha dimostrato di saper prevedere in anticipo le condizioni meteo da qui a 10 giorni, con un'accuratezza e una velocità molto più elevate rispetto al più avanzato sistema di previsioni del tempo attuale (l'High Resolution Forecast prodotto dall'European Centre for Medium-Range Weather Forecasts, ECMWF). Le sue performance sono descritte in un articolo pubblicato su Science.
Come funziona di solito. Per regalarci previsioni meteo affidabili, le agenzie meteorologiche tradizionali raccolgono dati sulla situazione meteo attuale da satelliti, stazioni meteo e boe, e li inseriscono in modelli computazionali che dividono la rappresentazione dell'atmosfera terrestre in milioni di punti. Applicando quindi le leggi della fisica e della dinamica dei fluidi, si può capire come evolverà la situazione in ciascuno dei riquadri, uno sforzo che può richiedere diverse ore di lavoro a supercomputer dotato di un milione di processori, e che va ripetuto per diverse volte al giorno, mano a mano che si hanno a disposizione rilevazioni più aggiornate.
Apprendere dall'esempio. I nuovi modelli di IA si risparmiano la fatica di risolvere complesse equazioni matematiche sfruttando il deep learning, l'apprendimento profondo basato su algoritmi progettati per imitare il cervello umano. GraphCast, per esempio, ha rintracciato gli schemi ricorrenti nel modo in cui evolve l'atmosfera nei dati meteo degli ultimi 40 anni forniti dall'ECMWF e li ha usati (senza comprenderli, come è tipico delle IA) per prevedere come le rilevazioni meteo reali da cui era partito si sarebbero evolute.
Come spiegato in un post da DeepMind, come input, GraphCast richiede soltanto due set di dati: lo stato del meteo 6 ore fa e quello attuale. Il modello predice quindi che meteo ci sarà tra 6 ore, e il processo può essere ripetuto di sei ore in sei ore fino a fornire le previsioni del tempo tra 10 giorni.
Preciso e velocissimo. Lavorando in questo modo, il modello di IA ha fornito previsioni meteo più accurate rispetto a quelle di HRES in oltre il 90% delle variabili testate. Quando si è limitato alle previsioni nella troposfera, la regione di atmosfera più vicina alla superficie terrestre, per la quale l'affidabilità delle previsioni è particolarmente importante, l'accuratezza è salita al 99,7%.
E anche se per addestrarlo ci sono voluti 33 computer e un mese di lavoro, l'algoritmo attuale è abbastanza leggero da impiegare meno di un minuto per restituire previsioni accurate su un normale PC.
Non uscite di casa! Secondo gli scienziati della DeepMind come Rémi Lam, primo autore del lavoro, «GraphCast può anche offrire allarmi più precoci su eventi meteo estremi. Può prevedere il percorso dei cicloni con una maggiore accuratezza e più in là nel futuro, individuare fiumi atmosferici associati al rischio di inondazioni, e predire la comparsa di temperature estreme. Questa abilità ha il potenziale di salvare vite».
Su cosa c'è da lavorare. Se è molto probabile che l'IA potrà integrare i procedimenti alla base delle previsioni meteo rendendoli più agili e precisi, è però più difficile che arrivi a sostituire del tutto il metodo tradizionale, lavorando in autonomia.
Tra i suoi punti deboli ci sono infatti l'incapacità di integrare continuamente i dati più aggiornati nel modello (un processo noto come data assimilation, responsabile del grosso del dispendio energetico dei supercomputer attuali), e anche l'incapacità degli esperti - e delle stesse IA - di capire come le IA sono giunte a certe conclusioni. Questo renderebbe difficile ritornare sugli errori commessi in caso di previsioni poco accurate (cosa che invece si può fare ora, ogni volta che le previsioni meteo si rivelano sbagliate). E finirebbe per erodere la fiducia della popolazione nelle previsioni del tempo, con conseguenze che immaginiamo catastrofiche.