L’AI e le frontiere delle Previsioni Meteo: il caso di GraphCast
L’uso dell’intelligenza artificiale (AI) sta penetrando in ogni ambito delle nostra vita, ed è oggetto di studi e ricerche anche per le previsioni meteorologiche. Il sistema GraphCast, un modello di intelligenza artificiale di Google DeepMind, ad esempio, è stato “addestrato” per prevedere il tempo atmosferico. I suoi risultati, come emerso da un recente studio, sembrano essere sbalorditivi poiché le previsioni che escono da questo sistema superano costantemente quelle emesse dai modelli governativi utilizzati in tutto il mondo, e tutto questo in una frazione del tempo. I risultati dello studio hanno infatti dimostrato che la precisione delle previsioni dell’AI supera anche uno dei migliori e più sofisticati modelli in assoluto, quello europeo. Ma ci sono anche delle criticità legate ai sistemi AI per la previsione meteorologica.
Previsioni meteo con l’AI, tra opportunità e criticità
I modelli tradizionali (come quelli gestiti dall’ECMWF o dalla NOAA) effettuano una serie di complesse operazioni matematiche basate su dati osservati rispetto a tutte le variabili meteorologiche come pressione, temperatura, vento e umidità. Tutto questo avviene lungo un griglia tridimensionale dell’atmosfera, e su tutto il globo terrestre. Per svolgere questi calcoli complessi hanno bisogno di una notevole potenza di calcolo, e quindi di supercomputer ad alte prestazioni.
I modelli di intelligenza artificiale, invece, sono addestrati a riconoscere dei modelli di comportamento dell’atmosfera sulla base dei dati storici, e dopo aver osservato i dati attuali, forniscono previsioni meteo sulla base di ciò che hanno imparato. Si tratta di funzioni meno impegnative dal punto di vista computazionale, e possono essere completate in minuti o addirittura secondi.
Questo sistema, nonostante le buone premesse, ad oggi presenta anche delle criticità. Per comprenderne le potenzialità e i limiti abbiamo chiesto un parere a Raffaele Salerno, meteorologo, capo della ricerca e sviluppo e Amministratore delegato di Meteo Expert.
“Come in tutti gli articoli pubblicati sulle riviste scientifiche, si evidenziano maggiormente, ovviamente, gli elementi positivi. Certamente è interessante. Nello studio, questo sistema denominato GraphCast ha dimostrato, secondo gli autori, prestazioni superiori rispetto al sistema convenzionale leader a livello mondiale, gestito dal ECMWF. In una valutazione completa, gli autori mostrano come GraphCast abbia superato HRES, il modello per le previsioni deterministiche del Centro Europeo nel 90% dei 1.380 parametri, tra cui temperatura, pressione, velocità e direzione del vento e umidità a vari livelli atmosferici. E tutto questo molto rapidamente. Certamente è un progresso interessante. Tutto bello, rivoluzione? Purtroppo non è esattamente così.
Quello che gli autori non dicono esplicitamene (dando massima fede ai risultati che mostrano, dovranno essere soggetti a verifica) è che il sistema ha limiti importanti. Non supera i modelli convenzionali in tutti gli scenari, come per esempio è accaduto per l’improvvisa intensificazione dell’uragano Otis, che ha colpito Acapulco con preavviso minimo il 25 ottobre. Inoltre, a causa di limitazioni tecnologiche, i modelli di intelligenza artificiale globale non possono creare previsioni così dettagliate o granulari come quelli tradizionali, che invece sono ideali per esaminare fenomeni su scala ridotta.
Hanno problemi di “trasparenza” poiché i meteorologi non possono ancora guardare all’interno della “scatola nera” del modello AI e vedere esattamente perché fa le previsioni che fa e magari capire se sta dicendo una sciocchezza.
Uno dei limiti principali risiede nel modo in cui viene gestita l’incertezza. Le previsioni deterministiche del AI sono state confrontate con quelle dell’HRES. Il sistema di previsione di ensemble, invece, e lo riconoscono gli autori dell’articolo, è particolarmente importante per quantificare la probabilità degli eventi e l’abilità della previsione diminuisce con l’andare del forecast time.
La non linearità della dinamica meteorologica significa, come è noto, che vi è una crescente incertezza sui tempi più lunghi, che non è catturata da un’unica previsione deterministica. L’Ensemble risolve questo problema generando previsioni multiple, che si avvicinano a una distribuzione predittiva sul tempo futuro. L’inconveniente è che generare previsioni multiple è computazionalmente costoso.
GraphCast o sistemi simili potrebbero inoltre “offuscare” spazialmente le loro previsioni in presenza di incertezza, presenza che aumenta con l’incremento della risoluzione, il che potrebbe farle miseramente fallire, per esempio, in tutte le applicazioni in cui è importante conoscere le probabilità della coda, o quella congiunta, degli eventi. Vedremo se si riuscirà a costruire previsioni probabilistiche che modellino l’incertezza in modo più esplicito, sulla falsariga delle previsioni d’insieme, in sistemi come GraphCast.
Vorrei anche chiarire che i processi di machine learning sono usati da parecchio tempo in meteorologia, qui la novità sta nella performance ottenuta in alcuni casi. Noi di Meteo Expert, oramai da anni, utilizziamo il ML e le reti neurali come complemento alle tecniche legate ai modelli, in particolare a quelli di ensemble, comprese gli ensemble di reti. Queste tecniche sono utilizzate a monte per ridurre la dimensionalità delle simulazioni di ensemble, per una questione complessa legata alla rappresentatività dell’insieme delle simulazioni in relazione a tutte le condizioni possibili che possono determinarsi da una condizione iniziale e dalle sue perturbazioni. La tecnica permette di ridurre il numero delle simulazioni senza perdere significativamente sulla rappresentatività della distribuzione.
L’altro utilizzo che noi applichiamo è a valle, per i processi di downscaling che, effettivamente, possono beneficiare dell’uso del ML e di NN. Naturalmente è tutto migliorabile e bisogna continuare a lavorare e ideare, ma siamo confidenti del fatto che comunque siamo in prima linea anche senza avere lontanamente i mezzi dei giganti del web, grazie all’intelligenza e le capacità di innovazione “creativa”; potrebbe sembrare un pleonasmo ma in realtà innovazione e creatività possono essere anche insiemi disgiunti.
Infine, questi sistemi sono essenzialmente modelli statistici di grandi dimensioni con enormi gradi di libertà, in cui abbiamo trovato modi “intelligenti” per adattarli comunque ai dati storici nonostante il grande numero di questi gradi di libertà. Il fatto che modelli statistici sufficientemente complessi possano fornire buoni risultati senza risolvere le equazioni della dinamica dei fluidi non dovrebbe essere una sorpresa. Ciò in cui i modelli statistici tenderebbero a performare meno, però, è la previsione degli eventi nella coda. In verità lo stesso vale per i modelli fluidodinamici, anch’essi si adattano ai dati storici. Tuttavia, i modelli di fluidodinamica possono avere una base più realistica su come determinare un evento sulle code, mentre un modello statistico potrebbe potenzialmente inventare quasi qualsiasi cosa, se si va troppo oltre l’esperienza del suo set di apprendimento.
