Las predicciones meteorológicas deben capturar toda la gama de posibilidades, incluidos los peores escenarios, que son los más importantes para planificar.
WeatherNext 2 puede predecir cientos de posibles resultados meteorológicos desde un único punto de partida. Cada predicción tarda menos de un minuto en una única TPU; Se necesitarían horas en una supercomputadora utilizando modelos basados en la física.
Nuestro modelo también es muy hábil y capaz de realizar predicciones de mayor resolución, al momento. En general, WeatherNext 2 supera nuestro modelo WeatherNext de última generación anterior en el 99,9% de las variables (por ejemplo, temperatura, viento, humedad) y tiempos de entrega (0-15 días), lo que permite pronósticos más útiles y precisos.
Este rendimiento mejorado es posible gracias a un nuevo enfoque de modelado de IA llamado Red Generativa Funcional (FGN), que inyecta “ruido” directamente en la arquitectura del modelo para que los pronósticos que genera sigan siendo físicamente realistas e interconectados.
Este enfoque es particularmente útil para predecir lo que los meteorólogos llaman “marginales” y “uniones”. Los marginales son elementos meteorológicos individuales e independientes: la temperatura exacta en un lugar específico, la velocidad del viento a una determinada altitud o la humedad. Lo novedoso de nuestro enfoque es que el modelo sólo se entrena en estos marginales. Sin embargo, a partir de esa formación, aprende a pronosticar hábilmente “uniones”: sistemas grandes, complejos e interconectados que dependen de cómo encajan todas esas piezas individuales. Esta previsión “conjunta” es necesaria para nuestras predicciones más útiles, como identificar regiones enteras afectadas por altas temperaturas o la producción de energía esperada en un parque eólico.