O modelo de ciclones do Google DeepMind coloca previsões de IA ao lado dos modelos oficiais nas telas do NHC

Por que os modelos climáticos gerais não davam conta das tempestades

O Google DeepMind e o Google Research já tinham modelos climáticos — GenCast, GraphCast e NeuralGCM — que mostravam potencial para prever trajetórias de ciclones. O anúncio é honesto sobre por que eles não eram suficientes: foram treinados com dados históricos de baixa resolução, ofereciam previsões de intensidade ruins e, nas palavras do próprio artigo, os meteorologistas simplesmente não confiavam totalmente neles.

Essa desconfiança é o verdadeiro ponto de partida. Um modelo que gera uma trajetória plausível, mas não consegue dizer com que força uma tempestade vai chegar, não é algo em que uma sala de operações emitindo alertas de evacuação possa se apoiar. A equipe tratou essa lacuna como um problema de dados: ciclones são raros e extremos, então treinar só com dados climáticos gerais deixa exatamente as condições mais importantes sub-representadas.

Os ciclones são tão raros e intensos em termos de velocidade do vento e vorticidade que tivemos que mudar a forma como treinávamos nossos modelos. Agora treinamos tanto com dados climáticos gerais quanto com dados escassos específicos de ciclones.Montana Labs

Uma etapa em vez de difusão iterativa, e 50 futuros em vez de um só

A escolha técnica que merece atenção é o abandono da difusão. Modelos de difusão refinam uma previsão em várias etapas iterativas; o modelo de ciclones do Google, em vez disso, usa uma abordagem probabilística que funciona em uma única etapa, introduzindo perturbações aleatórias durante a previsão e gerando 50 possíveis desfechos para a tempestade.

Isso importa muito num sistema caótico onde, como diz Ferran Alet, pequenas diferenças nos dados levam a futuros bem diferentes. Em vez de se comprometer com uma única trajetória, o modelo entrega aos meteorologistas uma distribuição de possibilidades. O exemplo do Ciclone Alfred ilustra bem isso: a média do conjunto previu um enfraquecimento rápido para tempestade tropical e o toque em terra perto de Brisbane sete dias antes, com alta probabilidade declarada de toque em terra em algum ponto do litoral de Queensland — uma probabilidade, não uma garantia.

A velocidade é a outra metade da história. Modelos tradicionais simulam a física atmosférica em supercomputadores; este pula essa simulação, e é justamente isso que torna possíveis sinais antecipados — como identificar os Ciclones Jude e Ivone quase sete dias antes de eles se formarem.

A história de automação aqui é sobre aumento de capacidade projetado na interface

O que diferencia isso de um lançamento de modelo comum é que o resultado é colocado diretamente ao lado dos modelos oficiais que os meteorologistas já usam, num mapa global, para comparação. A IA não é apresentada como substituta do processo do NHC — é uma coluna extra de evidências dentro de um fluxo de trabalho que roda 24 horas por dia, 7 dias por semana, por trás de paredes de concreto de 25 centímetros.

O 'modo especialista' é o sinal mais claro disso. Ele surgiu quando um meteorologista disse à gerente de produto Olivia Graham que boa parte do trabalho deles acontece antes mesmo de um ciclone se formar. A resposta não foi uma previsão de trajetória melhor — foi uma nova visualização mostrando aglomerados de círculos, cada um representando cerca de 2% de chance de formação de ciclone, para que os meteorologistas possam explorar tempestades que ainda não existem. Esse recurso existe porque uma pessoa apontou que a interface original respondia à pergunta errada.

A implicação: a confiança num modelo de previsão operacional se conquista com codesenvolvimento, não com benchmarks

A lição sincera desse anúncio é que ter precisão de ponta em avaliações internas era necessário, mas não suficiente. Os modelos anteriores do Google tinham trajetórias razoáveis e ainda assim não foram adotados. O que mudou foi um período de dois meses de acesso para testadores de confiança, com meteorologistas trabalhando lado a lado com a equipe para moldar a forma como a informação é apresentada — não só se ela está correta.

Para quem está implantando modelos em contextos operacionais de alto risco, esse é o ponto que vale levar para outros contextos. O modelo que acaba sendo usado é aquele construído com as pessoas cujo julgamento permanece no processo, cujas perguntas remodelam o conjunto de funcionalidades, e que conseguem colocar as previsões do modelo ao lado das ferramentas que já usam para comparar. A precisão te leva até a sala de reunião; a interface e a colaboração é que te colocam na tela durante uma tempestade categoria 5.