L’Intelligenza Artificiale si sta espandendo in tutti i campi della nostra vita in maniera sempre più invasiva, è passata da una fase di apprendimento a quella generativa di cui oggi godiamo i primi frutti: l’ultima frontiera che si sta sviluppando negli ultimissimi anni è quella della meteorologia.
Non sempre le risposte date dai sistemi di AI sono perfette e molto dipende dai modelli con cui sono costruiti, dalla mole di dati e dal tempo che si è speso per addestrarli, questo è il punto: avere a disposizione una quantità enorme di dati certificati, misurati ed attendibili che possano fare da training ai modelli o aiutare a sviluppare tecniche di deep learning avanzate ma, allo stesso tempo, estremamente semplici nell’uso.
La complessità e l’importanza della meteorologia
Come l’AI, e ben prima dell’AI, la meteorologia, le previsioni meteo ed il meteo hanno condizionato e condizionano più che mai la nostra vista quotidiana, scandiscono le stagioni e le nostre abitudini, influenzano le programmazioni delle coltivazioni e del raccolto, hanno impatto sui trasporti soprattutto marittimi ed aerei, e sicuramente influenzano il nostro umore e la destinazione della gita fuori porta della domenica.
Non a caso la meteorologia è uno dei settori in cui da sempre scienziati, meteorologi, fisici e illustri matematici hanno investito risorse enormi e studi, ancora oggi la fisica e la meteorologia sono oggetto di ingenti investimenti pubblici. Le leggi che la governano sono fatte di complesse equazioni e modelli matematici che passano attraverso la fluidodinamica, la chimica, la fisica di base, l’osservazione dei parametri meteo in centinaia di migliaia di punti sulla terra e negli oceani, dalle boe galleggianti ai palloni atmosferici fino alle weather station ormai alla portata di tutti e collegate tra loro attraverso internet o reti dedicate.
Qualità e quantità delle informazioni per le previsioni meteo
Tutti questi dati, raccolti e processati anche più volte al giorno da centri di calcolo alla portata di pochi enti sovrannazionali, riescono a dare una previsione dell’evoluzione del tempo atmosferico nelle ore successive e fino a 7-10 gg, con una precisione su grande scala dell’ordine di circa 250 km, mentre localmente hanno una precisione nelle prime ore successive abbastanza elevata.
Il centro più avanzato è il Centro Europeo per le Previsioni Meteo che sin dal 1940 mantiene un database di informazioni qualitative e quantitative, raccolte più volte al giorno, relative ai dati meteorologici atmosferici, terrestri e oceanici per ogni giorno, rilevati in migliaia di punti in tutto il mondo.
L’impatto dell’IA sulle previsioni meteo: le attività di ERA5 e del National Hurricane Center
Inoltre, per gli ultimi 50 anni, dopo l’avvento della copertura satellitare globale, i dati sono particolarmente ricchi e questo set di dati, noto come ERA5, è disponibile al pubblico.
È esattamente quello che serve ad un sistema di AI per fare deep learning ed addestrarsi su dati certi, validati, catalogati e di lungo periodo, non certo raccolti perlopiù su internet senza alcuna valenza scientifica.
Il progetto ERA5 non è nato a suo tempo per alimentare applicazioni di intelligenza artificiale, ma oggi è lo strumento più utile che ci sia per addestrare modelli di intelligenza artificiale per prevedere l’evoluzione del tempo. È uno strumento utilizzato per questo scopo solo a partire dal 2022 con risultati sorprendenti al punto da convincere il Centro Europeo per le previsioni meteo a creare un team ed un progetto, noto come ECMWF e guidato da Matthew Chantry, per sviluppare tecniche di previsioni meteorologiche con l’intelligenza artificiale.
Intuito il potenziale, anche il principale centro mondiale di previsioni contro gli uragani, l’americano National Hurricane Center, ha investito risorse per sviluppare previsioni con l’uso dell’intelligenza artificiale.
Le aziende specializzate in previsioni meteo con l’AI
Sono nate anche aziende specializzate in questo, tra le prime in assoluto WindBorne Systems che ha progettato e realizzato dei propri palloni aerostatici del peso di circa 2,5 kg e dal costo molto basso, palloni che invia a centinaia tutti i giorni in atmosfera per raccogliere dati poi elaborati dal modello di AI dell’azienda. Anche colossi come Huawei o governi come quelli giapponesi hanno investito in questa direzione negli ultimi 4-5 anni, anche con ottimi risultati al punto di riconoscere il modello sviluppato da Huawei “Pangu-Weather” come tra quelli che, in particolari condizioni, fornisce risultati migliori di quelli basati sulla fisica tradizionale dell’ECMWF.
Modelli AI alla portata di tutti
Laddove i sistemi di AI sono noti per assorbire capacità di calcolo enormi e quantità di energia pari a quelle di interi stati, il tutto per fare training ai propri algoritmi, nel campo della meteorologia grazie ad ERA5 e altri database simili (esempio sugli uragani) la positiva e forse inattesa scoperta è che i modelli e i sistemi girano anche su workstation alla portata di tutti con una ottima GPU.
Ecco perché in pochi anni si sono ottenuti risultati più che attendibili, spesso anche più precisi, di quello che si ottiene con i modelli fisici e gli stuti tradizionali.
Previsioni meteo tradizionali e con l’AI: un confronto
A partire da fine 2023, con un impulso nella primavera del 2024, i principali centri di previsioni meteo a livello mondiale, stanno confrontando le previsioni con metodo tradizionale con quelle fatte dai sistemi di AI: ebbene spesso i secondi, soprattutto sul breve periodo (da poche ore a qualche giorno) sono più attendibili e precisi di quelli tradizionali soprattutto per quel che riguarda l’area previsionale (ben inferiore ai 200 km tradizionali). I modelli sono stati inizialmente testati sull’evoluzione degli uragani, fenomeni intensi che durano una stagione interna e già molto studiati, per poi passare al resto del mondo o dei fenomeni atmosferici.
Le differenze tra i due modelli previsionali
Per capire la sostanziale differenza tra i due modelli previsionali, ci basti dire che quello basato su complesse leggi della fisica ha necessariamente bisogno dei valori iniziali delle numerose variabili, di fissare le cosiddette condizioni al contorno, e di stimare l’errore nella previsione. In sostanza ogni previsione ha bisogno di una fotografia dello stato attuale che è il punto di partenza per la previsione: cambia la foto, cambia la previsione e non è detto essa sia sempre correlata a quell di poche ore prima.
Un sistema di AI invece ha bisogno di un set di dati senza sapere se e come questi siano stati prodotti, purché siano attendibili e rappresentativi del fenomeno in esame: esattamente quello che i meteorologi fanno da decenni in tutto il mondo. Dopodiché i vari modelli di AI sviluppati imparano la relazione tra il tempo attuale (qualunque sia l’attuale anche indietro negli anni) e la sua evoluzione poche ore o giorni dopo.
In sostanza i sistemi di AI imparano una relazione, non prevedono su un punto di partenza noto e secondo una legge imposta.
Il fatto di avere una mole di dati scientificamente validi, sostanzialmente quantitativi e quindi privi di fattori umani da riprodurre, permette ai sistemi di AI di essere estremamente efficienti e necessitare di relativamente poca capacità di calcolo.
Questa evidenza, oltre a cambiare il modo in cui in futuro si faranno le previsioni meteo, cambia radicalmente il concetto e la percezione dell’AI.
Il futuro: sistemi IA specializzati per risolvere problemi concreti
Conferma infatti che l’addestramento è la parte fondamentale ma allo stesso tempo la specializzazione dei sistemi su tematiche complesse, ma ben definite da leggi studiate per secoli, sono la chiave per rendere accessibile l’AI a tutti e risolvere problemi concreti per tutti.
Ovviamente la base di dati di partenza è la differenza.
Ecco perché i sistemi di AI generativa o di AI generalista che combinano il sapere scientifico con il pensiero e la conoscenza umana, che combinano nozioni e verità storiche con informazioni raccolte su internet o in giro per i data base, hanno necessità di interi data center per elaborare e fare training con il rischio di dare risposte errate; essi però sono la spinta verso la ricerca della verticalizzazione e la specificità delle applicazioni, spingono la ricerca per permetterci di semplificare oggi problemi complessi di forte impatto sulla vita dell’intero pianeta, senza per questo fermare la ricerca e lo studio dei fenomeni fisici e delle leggi scientifiche che governano il nostro universo.
Esattamente quello che sta avvenendo nella meteorologia dove i modelli di AI e le loro previsioni sono confrontati per validare l’uno e l’altro ma anche per spingere la ricerca di base oltre le leggi note.
