Google anuncia WeatherNext 2, modelo de IA que prevê o tempo com mais precisão
Novo sistema da DeepMind promete previsões meteorológicas globais mais rápidas, detalhadas e confiáveis do que a geração anterior
O Google DeepMind lançou o WeatherNext 2, um modelo de inteligência artificial que prevê o tempo. Ele é mais rápido, preciso e detalhado que a versão anterior, conseguindo fazer previsões globais em resolução maior e processar dados meteorológicos com mais eficiência do que sistemas tradicionais.
O Google DeepMind (braço de pesquisa em inteligência artificial do Google) apresentou o WeatherNext 2, a segunda geração do seu modelo de IA para prever o tempo. Segundo a empresa, o sistema entrega previsões meteorológicas globais mais precisas, em resolução maior e processando os dados com mais eficiência do que a versão anterior, lançada há pouco mais de um ano.
Modelos de previsão do tempo baseados em IA vêm ganhando espaço nos últimos anos porque conseguem processar enormes volumes de dados históricos e identificar padrões climáticos complexos em velocidade muito superior aos métodos tradicionais de simulação física. O WeatherNext original já havia mostrado resultados promissores ao competir com sistemas consolidados usados por agências meteorológicas ao redor do mundo, mas ainda tinha limitações em eventos extremos e em regiões com poucos dados de monitoramento.
A nova versão traz melhorias em três frentes principais. Primeiro, aumenta a resolução espacial das previsões — ou seja, consegue prever o tempo em áreas geográficas menores, o que é especialmente útil para agricultura, logística e defesa civil. Segundo, reduz o tempo de processamento, permitindo que previsões sejam atualizadas com mais frequência. E terceiro, melhora a precisão em janelas de tempo mais longas, chegando a previsões confiáveis para até dez dias à frente.
O Google não detalhou no anúncio qual arquitetura de rede neural (o tipo de estrutura matemática que organiza o modelo de IA) foi usada no WeatherNext 2, nem se o sistema já está sendo testado por parceiros externos. A empresa informou que o modelo foi treinado com décadas de dados meteorológicos históricos de diversas fontes globais, incluindo observações de satélites, estações terrestres e boias oceânicas. A expectativa é que ferramentas como essa possam, no futuro, complementar ou até substituir partes dos sistemas tradicionais de previsão, que ainda dependem de supercomputadores caros e modelos baseados em equações físicas complexas.
