O modelo de ciclones da Google DeepMind coloca as previsões de AI ao lado dos modelos oficiais nos ecrãs do NHC

Porque é que os modelos meteorológicos gerais não eram suficientes para tempestades

A Google DeepMind e a Google Research já tinham modelos meteorológicos — GenCast, GraphCast e NeuralGCM — que mostravam potencial nas trajetórias de ciclones. O anúncio é franco quanto às razões pelas quais não eram suficientes: foram treinados com dados históricos de baixa resolução, ofereciam previsões de intensidade fracas e, nas palavras do próprio artigo, os meteorologistas não confiavam totalmente neles.

Essa desconfiança é o verdadeiro ponto de partida. Um modelo que produz uma trajetória plausível mas não consegue indicar a intensidade de uma tempestade não é algo em que uma sala de operações a emitir avisos de evacuação possa confiar. A equipa tratou a lacuna como um problema de dados: os ciclones são raros e extremos, pelo que treinar apenas com dados meteorológicos gerais sub-representa exatamente as condições que mais importam.

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

Um único passo em vez de difusão iterativa, e 50 futuros em vez de um

A escolha técnica que merece destaque é o afastamento da difusão. Os modelos de difusão refinam uma previsão ao longo de muitos passos iterativos; o modelo de ciclones da Google usa, em vez disso, uma abordagem probabilística que funciona num único passo, introduzindo perturbações aleatórias durante a previsão e produzindo 50 resultados possíveis para a tempestade.

Isto é relevante para um sistema caótico onde, como refere Ferran Alet, pequenas diferenças nos dados levam a futuros muito diferentes. Em vez de se comprometer com uma única trajetória, o modelo entrega aos meteorologistas uma distribuição. O exemplo do Ciclone Alfred ilustra isto de forma concreta: a média do conjunto previu um enfraquecimento rápido até ao estatuto de tempestade tropical e a chegada a terra perto de Brisbane sete dias antes, com uma probabilidade elevada declarada de chegada a terra em algum ponto da costa de Queensland — uma probabilidade, não uma garantia.

A afirmação sobre velocidade é a outra metade da história. Os modelos tradicionais simulam a física atmosférica em supercomputadores; este modelo prescinde dessa simulação, o que é precisamente o que torna possíveis os sinais precoces — captando os Ciclones Jude e Ivone quase sete dias antes de se formarem.

A história de automação aqui é aumento concebido na interface

O que distingue isto de um lançamento típico de modelo é o facto de o resultado ser colocado diretamente ao lado dos modelos oficiais que os meteorologistas já utilizam, num mapa global, para comparação. A AI não é apresentada como um substituto do processo do NHC — é uma coluna adicional de evidência num fluxo de trabalho que funciona 24 horas por dia, 7 dias por semana, por detrás de paredes de betão com 25 centímetros de espessura.

O 'modo especialista' é o sinal mais claro disto. Surgiu de um meteorologista que disse à gestora de produto Olivia Graham que grande parte do seu trabalho acontece antes mesmo de um ciclone se formar. A resposta não foi uma melhor previsão de trajetória — foi uma nova vista que mostra agrupamentos de círculos, cada um representando aproximadamente 2% de probabilidade de formação de ciclone, para que os meteorologistas possam explorar tempestades que ainda não existem. Essa funcionalidade existe porque uma pessoa disse que a interface original respondia à pergunta errada.

A implicação: a confiança num modelo de previsão operacional está a ser conquistada através da co-criação, não de benchmarks

A lição honesta deste anúncio é que a precisão de topo em avaliações internas era necessária, mas não suficiente. Os modelos anteriores da Google tinham trajetórias razoáveis e, ainda assim, não foram adotados. O que mudou foi um período de dois meses de acesso a testadores de confiança e meteorologistas a trabalhar lado a lado com a equipa para moldar a forma como a informação é apresentada — não apenas se está correta.

Para quem implementa modelos em contextos operacionais de alto risco, esse é o ponto que se pode transpor. O modelo que acaba por ser usado é aquele construído com as pessoas cujo julgamento se mantém no processo, cujas perguntas remodelam o conjunto de funcionalidades, e que conseguem colocar as suas previsões ao lado das ferramentas que já usam para comparar. A precisão abre-lhe a porta da sala de reuniões; a interface e a colaboração são o que o colocam no ecrã durante uma tempestade de categoria 5.