Le previsioni meteorologiche dell’IA non possono sostituire gli esseri umani (per ora)

GraphCast di Google DeepMind e altri strumenti di previsione basati sull’intelligenza artificiale hanno permesso in alcune occasioni di prevedere il meteo in modo incredibilmente rapido ed efficace, ma hanno dei limiti
di Lauren Leffer/Scientific American
www.lescienze.it

Mentre l’uragano Lee si dirigeva verso nord, a ovest delle Bermuda, a metà settembre dello scorso anno, i meteorologi stavano consultando i modelli meteorologici e i dati degli aerei che vanno a caccia di uragani per valutare dove la pericolosa tempesta avrebbe potuto arrivare sulla terraferma: New England, nel nord-est degli Stati Uniti, o ancora più a est, in Canada. Quanto prima i meteorologi fossero riusciti a farlo, tanto più rapidamente avrebbero potuto avvertire coloro che si trovavano sul percorso delle dannose raffiche di vento, delle feroci ondate di maltempo e delle forti piogge. A sei giorni dall’arrivo sulla terraferma, era chiaro che Lee avrebbe seguito il percorso verso est, e gli avvisi sono stati emessi di conseguenza. Ma un altro strumento, un modello sperimentale d’intelligenza artificiale (IA) chiamato GraphCast, aveva previsto con precisione questo risultato tre giorni prima dei modelli tradizionali dei meteorologi.

La previsione di GraphCast è una finestra sulle potenzialità dell’IA nel miglioramento delle previsioni meteorologiche: le può formulare più velocemente utilizzando meno potenza di calcolo. Tuttavia, è ancora tutto da verificare se si tratti di un vero e proprio cambiamento nel settore o se diventerà semplicemente uno dei tanti strumenti che i meteorologi umani consultano per determinare da che parte soffieranno i venti.

GraphCast, sviluppato da Google DeepMind, è l’ultimo dei numerosi modelli meteorologici di intelligenza artificiale rilasciati negli ultimi anni. MetNet di Google, introdotto per la prima volta nel 2020, è già usato in prodotti come il “nowcast” dell’azienda nella sua app meteo, mentre NVIDIA e Huawei hanno entrambe sviluppato i propri modelli meteo AI. Tutti i modelli sono stati dichiarati in grado di offrire un’accuratezza paragonabile o superiore a quella dei migliori modelli di previsione computerizzati non IA e hanno fatto scalpore in meteorologia, con GraphCast che ha suscitato la maggior impressione finora.

“Ha avuto davvero un notevole impatto”, afferma Mariana Clare, scienziata che studia l’apprendimento automatico all’European Center for Medium-Range Weather Forecasts (ECMWF), un’organizzazione intergovernativa indipendente che formula previsioni per 35 paesi e che dispone di quello che molti esperti considerano uno dei migliori modelli di previsione meteorologica.

Prima dell’uragano Lee, il gruppo di ricerca di DeepMind aveva messo alla prova GraphCast su dati meteorologici storici per verificare se fosse in grado di “prevedere” accuratamente quello che sarebbe accaduto. Lo studio che ne è scaturito, pubblicato nel novembre 2023 su “Science”, ha dimostrato che l’intelligenza artificiale ha ottenuto risultati pari o addirittura superiori al goldstandard, l’Integrated Forecasting System (IFS) dell’ECMWF, nel 90 per cento dei casi di test. Ma è stato vedere GraphCast lavorare in tempo reale con l’uragano Lee che ha particolarmente colpito Rémi Lam, uno dei suoi creatori e ricercatore presso Google DeepMind. Le previsioni di Lee e altre previsioni in tempo reale sono state “la reale conferma che il sistema funziona davvero”, spiega Lam.

L’intelligenza artificiale funziona in modo molto diverso dai modelli di previsione tradizionali. Questi ultimi sono costituiti da una rete di equazioni complesse volte a catturare la fisica caotica dell’atmosfera. Sono alimentati con dati provenienti da palloni e stazioni meteorologiche di tutto il mondo e usati per prevedere come si svilupperà il tempo quando le varie masse d’aria e altre caratteristiche atmosferiche interagiranno. I meteorologi generalmente usano diversi modelli di questo tipo e poi integrano le informazioni risultanti – filtrate attraverso la loro conoscenza della geografia locale e dei punti di forza e di debolezza di ciascun modello – in una previsione coerente.

Al contrario, GraphCast e la maggior parte degli altri nuovi strumenti di IA abbandonano gli sforzi per capire e replicare matematicamente la fisica del mondo reale (sebbene FourCastNet di NVIDIA rappresenti un’eccezione). Gli strumenti di intelligenza artificiale sono invece modelli statistici: riconoscono schemi in serie di dati di addestramento composti da decenni di registrazioni meteorologiche osservative e informazioni ricavate da previsioni fisiche. In questo modo, questi modelli possono notare che l’assetto meteorologico di un certo giorno somiglia a eventi simili del passato e fare una previsione basata su questo schema.

A causa della loro dipendenza dai dati passati, la maggior parte dei modelli di intelligenza artificiale potrebbe non essere in grado di prevedere eventi rari e mai visti prima, afferma Kim Wood, professore associato di scienze atmosferiche e idrologia all’Università dell’Arizona. Eventi del genere includono l’uragano Harvey, che nel 2017 ha fatto cadere su alcune zone del Texas 1500 millimetri di pioggia – un’intensità senza precedenti – e l’intensificazione eccezionalmente rapida dell’uragano Otis da tempesta tropicale a “categoria 5 mostruoso” poco prima che investisse la costa sull’Oceano Pacifico del Messico l’anno scorso.

“Sarà in grado di catturare meglio gli eventi che vede più spesso nei dati di addestramento, quindi, in media, si comporterà abbastanza bene, probabilmente”, afferma Wood. “Forse farebbe più fatica con il tipo di eventi che possono cambiare la vita delle persone per sempre…” Questi eventi “rari” stanno diventando sempre più comuni con il cambiamento del clima, osserva Wood, quindi è sempre più importante catturarli e prevederli con precisione.

GraphCast sembra anche meno capace di prevedere l’intensità delle tempeste e delle precipitazioni, secondo Clare dell’ECMWF e Lam di Google DeepMind. Ciò è probabilmente dovuto alla risoluzione spaziale relativamente bassa del modello, che considera il mondo suddiviso in celle di 28 chilometri quadrati, mentre le raffiche di vento e gli acquazzoni avvengono su scala di isolati e quartieri. “C’è sicuramente margine di miglioramento”, afferma Lam, ma per ottenere un modello di intelligenza artificiale a più alta risoluzione, lui e i suoi colleghi dovrebbero raccogliere più dati di addestramento a più alta risoluzione, molti di più. È una sfida, ma probabilmente non insormontabile, aggiunge.

E anche se è vero che un modello di intelligenza artificiale può elaborare una previsione in pochi minuti rispetto alle due o tre ore necessarie ai modelli basati sulla fisica per completare un’esecuzione con un supercomputer, non c’è modo di determinare esattamente in che modo l’intelligenza artificiale arrivi alla sua previsione. A differenza dei modelli fisici, GraphCast e altri strumenti di previsione simili non sono “interpretabili”. Ciò significa che i risultati non possono essere facilmente ricondotti alle decine di milioni di parametri che compongono questi modelli.

“Quando un modello sbaglia qualcosa, voglio poter guardare i dettagli e capire perché”, chiarisce Aaron Kennedy, professore associato di scienze atmosferiche all’Università del North Dakota. Per esempio, il modello ECMWF ha notoriamente previsto che l’uragano Sandy si sarebbe abbattuto sulla costa degli Stati Uniti come una potente tempesta, mentre il modello di previsione utilizzato dalla National Oceanic and Atmospheric Administration (NOAA) statunitense non l’ha previsto. I meteorologi sono stati in grado di analizzare entrambi i modelli e di determinare che il modello ECMWF aveva una migliore rappresentazione del moto rotatorio di Sandy.

Matt Lanza, meteorologo dell’azienda energetica Cheniere Energy e cofondatore del sito web di meteorologia estrema “The Eyewall”, con sede a Houston, concorda sul fatto che la comprensione degli errori è preziosa, ma fino a un certo punto. “È un problema, fino a un certo punto. La natura di ‘scatola nera’ dell’IA sarà uno degli elementi che impedirà ad alcuni operatori del settore di accettarla come utile”, afferma. “Non possiamo fidarci ciecamente di un modello…, ma siamo all’inizio di questo processo e ci saranno altre ricerche per capirlo”, aggiunge Lanza. “Immagino che le risposte arriveranno alla fine.” Egli è ansioso di vedere che cosa possono fare i modelli di intelligenza artificiale.

Il risparmio di tempo e di potenza di calcolo offerto da GraphCast potrebbe rendere la modellizzazione meteorologica molto più accessibile alle aziende e alle istituzioni che non hanno accesso ai supercomputer (e ai grandi gruppi di esseri umani che fanno previsioni), afferma Clare. Attualmente, negli Stati Uniti solo una manciata di agenzie governative di previsione produce la maggior parte delle previsioni meteorologiche perché sono le uniche organizzazioni attrezzate per farlo.

Una sfida più concreta è rappresentata dal fatto che GraphCast può ora produrre solo una cosiddetta previsione deterministica: una singola previsione presentata senza alcuna probabilità che si verifichi effettivamente. Ogni esecuzione di GraphCast, data una serie di parametri, produce un risultato simile, spiega Clare, quindi non può essere facilmente utilizzato per creare una gamma di possibilità di previsione. Ciò si discosta dalle tradizionali previsioni fisiche d’insieme, che tengono conto della casualità intrinseca dell’atmosfera.

Per analogia, Greg Carbin, capo delle operazioni di previsione presso il Centro di previsione meteorologica del Servizio meteorologico nazionale degli Stati Uniti (National Weather Service, NWS), che fa parte della NOAA, paragona le traiettorie delle previsioni dei modelli meteorologici esistenti a tappi di sughero che galleggiano su un fiume. Anche se si posizionano con cura tappi di sughero identici ogni volta nello stesso punto di partenza, i loro percorsi a valle varieranno. E più i tappi viaggiano a lungo, più rischiano di allontanarsi l’uno dall’altro. “Le previsioni del tempo sono incerte perché c’è incertezza nel sistema meteorologico”, spiega Clare. Al momento GraphCast non è in grado di cogliere questo aspetto”. Lam spiega che lui e i suoi colleghi stanno lavorando per inserire la probabilità in una versione futura del modello.

Tuttavia, anche se GraphCast diventasse probabilistico – e anche se la risoluzione del modello migliorasse e l’IA diventasse più accurata nelle previsioni di pioggia e intensità delle tempeste – la modellizzazione rimane solo un singolo componente del processo di previsione meteorologica, afferma Hendrik Tolman, consulente senior per i sistemi di modellizzazione avanzata presso il NWS. La prima fase della previsione consiste nel raccogliere dati sullo stato del mondo tramite sensori. La seconda è l’integrazione di tutte queste osservazioni in parametri per alimentare i modelli. Poi si passa alla modellizzazione e infine al processo di traduzione delle previsioni per il pubblico. Lo sviluppo di una scorciatoia per un singolo componente della meteorologia non elimina la necessità di esperti umani per raccogliere, traghettare e interpretare le informazioni da una fase all’altra, sottolinea Tolman.

Tutti gli esperti che hanno parlato con “Scientific American” hanno descritto GraphCast e altri modelli di IA come gadget aggiuntivi nel loro kit di strumenti. Se l’IA è in grado di produrre previsioni accurate in modo rapido ed economico, non c’è motivo di non iniziare a usarla insieme ai metodi esistenti. Infatti, l’ECMWF ha pubblicato sul suo sito web le previsioni di GraphCast insieme a quelle di altri modelli AI e sperimentali e sta lavorando allo sviluppo di un proprio modello di previsione basato sull’IA. Allo stesso modo, i ricercatori della NOAA stanno valutando se e come incorporare GraphCast nelle sue previsioni aggregate.

Ma nei prossimi cinque o dieci anni ci sarà un mondo in cui i modelli di intelligenza artificiale soppianteranno i modelli basati sulla fisica e le persone ? Le previsioni indicano che ci sono poche possibilità.