L’uso dell’intelligenza artificiale, se effettuato correttamente, può migliorare qualsiasi cosa. Google ad esempio sta lavorando già da qualche tempo a un sistema di previsioni metereologiche su base locale in grado di offrire velocità e affidabilità, grazie proprio all’uso di reti neurali basate sul deep learning o apprendimento profondo.

Queste ultime sono classi di algoritmi organizzate in diversi strati, in cui ciascuno di essi svolge specifici calcoli, al fine di determinare i valori che utilizzerà poi a sua volta lo strato successivo. In questo modo è possibile elaborare un’informazione sempre più completa pur senza necessità di sfruttare conoscenze pre-esistenti. Come ha spiegato Google in un ben documentato post sul blog ufficiale, il sistema di modellazione metereologica in fase di test è infatti proprio basato su un approccio definito Physics-free, in grado cioè di imparare ad approssimare il funzionamento della fisica atmosferica reale, semplicemente a partire da esempi tratti dalle immagini satellitari.

Alla base di tutto c’è U-Net, una rete neurale convoluzionale multistratificata, in cui appunto ciascun livello procede a ridurre in input per lo strato successivo i dati estrapolati dalle immagini meteo satellitari. Questo tipo di reti ha bisogno dunque di addestramento e infatti gli scienziati di Google hanno provveduto a “dare in pasto” alla loro IA un database di previsioni metereologiche storiche per gli Stati Uniti continentali, effettuate tra il 2017 e il 2019, conseguendo risultati assai incoraggianti.

Confrontate con quelle di altri tre modelli previsionali differenti infatti, le prestazioni del modello messo a punto da Google si sono rivelate sempre superiori. Qualche difficoltà è stata evidenziata soltanto quando si raggiunge un orizzonte previsionale di 5 o 6 ore. In questo caso infatti il modello chiamato High Resolution Rapid Refresh si è rivelato più preciso ed affidabile.

“‎Il modello numerico utilizzato in HRRR può fare previsioni migliori a lungo termine, in parte perché utilizza un modello fisico 3D completo”, spiegano i ricercatori nel documento ufficiale. “La formazione di nuvole è più difficile da comprendere osservando immagini bidimensionali, e quindi è più difficile per i metodi di machine learning apprendere il funzionamento dei processi convettivi che danno vita alle nuvole”. Gli scienziati però non disperano e pensano anzi che si possa arrivare alal realizzazione di un sistema ibrido in grado di unire i pregi delle due soluzioni per previsioni locali al tempo stesso precise e rapide.

“È possibile che la combinazione di questi due sistemi, il nostro modello di apprendimento profondo per le previsioni rapide e quello HRRR per le previsioni a lungo termine, possa produrre risultati migliori nel complesso. Si tratta di un’idea al centro del nostro lavoro futuro. Alternativamente stiamo anche cercando di applicare il machine learning direttamente alle osservazioni 3D”.

Sostieni ilfattoquotidiano.it:
portiamo avanti insieme le battaglie in cui crediamo!

Sostenere ilfattoquotidiano.it significa permetterci di continuare a pubblicare un giornale online ricco di notizie e approfondimenti.

Ma anche essere parte attiva di una comunità con idee, testimonianze e partecipazione. Sostienici ora.


Grazie Peter Gomez

Sostienici ora Pagamenti disponibili
Articolo Precedente

Arlo Pro 2, sistema di videosorveglianza Wi-Fi per interni ed esterni, scontato del 48% su Amazon

next
Articolo Successivo

Razer DeathAdder V2 e Basilisk V2, nuovi gaming mouse con prezzi a partire da 79 euro

next