🟡 Reino Unido y Alemania evalúan desplegar tropas de la OTAN en Groenlandia
Cambio climático: cómo es el nuevo pronosticador del tiempo basado en Inteligencia Artificial
Por:
Víctor Ingrassia
Viernes 17 de
Noviembre 2023
Google lanzó GraphCast, un modelo de pronóstico más rápido y preciso, que supera significativamente los métodos actuales y ofrece alertas más tempranas sobre fenómenos meteorológicos extremos. La opinión de dos expertos.
Frente al cada vez más cambiante clima y a la falta de previsiones meteorológicas certeras, la ciencia de datos y particularmente la Inteligencia Artificial buscan tener protagonismo y ser la fuente consultada en esta materia.
Eso ocurrió esta semana, cuando Google presentó GraphCast, un nuevo modelo de pronóstico del tiempo “más rápido y preciso” con hasta 10 días de antelación. Según sus responsables, de la empresa DeepMind, “supera significativamente” a los sistemas tradicionales y sirve, además, para ofrecer alertas más tempranas sobre fenómenos meteorológicos extremos.
“Creemos que esto marca un punto de inflexión en la previsión meteorológica”, describieron los autores en un estudio científico publicado en la revista Science. En la actualidad, el método de referencia para la predicción meteorológica es la “predicción numérica del tiempo” (PNT). Si bien la precisión de los modelos PNT se ha mejorado restrictivamente a lo largo de varios decenios, resultan costosos, complejos y exigentes desde el punto de vista computacional, por lo que requieren mayores recursos informáticos para mejorar la precisión de las previsiones. La predicción meteorológica basada en el aprendizaje automático (MLW ), que puede entrenarse a partir de datos históricos, ofrece una alternativa. Además, MLWP puede aprovechar el hardware moderno de aprendizaje profundo para aumentar la eficiencia.
“La predicción del tiempo es uno de los esfuerzos científicos más antiguos y desafiantes. Las predicciones a mediano plazo son importantes para respaldar la toma de decisiones clave en todos los sectores, desde la energía renovable hasta la logística de eventos, pero son difíciles de hacer con precisión y eficiencia”, agregaron sus creadores.
El nuevo sistema GraphCast trabaja esencialmente con datos históricos y los mezcla con información específica climática. Comienza recopilando datos del actual del clima de la Tierra. Luego, hace una predicción sobre cómo será el clima dentro de seis horas. A continuación, el nuevo sistema devuelve esas predicciones al modelo, realiza el mismo cálculo y arroja pronósticos a más largo plazo.
Según sus desarrolladores, GraphCast es un sistema de pronóstico del tiempo basado en aprendizaje automático y Graph Neural Networks (GNN), que es una arquitectura particularmente útil para procesar datos estructurados espacialmente.
El equipo de Google comparó los resultados se su invención con el modelo actual que se utiliza para la predicción meteorológica a medio plazo, llamado HRES. Según el estudio, GraphCast superó significativamente a HRES en el 90% de los objetivos utilizados en la prueba. También tuvo un éxito sorprendente en la predicción de fenómenos meteorológicos extremos, incluidos ciclones tropicales y cambios de temperatura extraños, a pesar de que no estaba específicamente entrenado para manejarlos.
Aunque este método tradicional ha sido un “triunfo de la ciencia y la ingeniería”, diseñar las ecuaciones y los algoritmos lleva mucho tiempo, exige gran experiencia y costosos ordenadores para conseguir pronósticos precisos, explica en su blog DeepMind, que defiende que el aprendizaje profundo ofrece un enfoque diferente. Se trata, agrega, de usar datos en lugar de ecuaciones físicas para crear un sistema de pronóstico del tiempo.
Eso ocurrió esta semana, cuando Google presentó GraphCast, un nuevo modelo de pronóstico del tiempo “más rápido y preciso” con hasta 10 días de antelación. Según sus responsables, de la empresa DeepMind, “supera significativamente” a los sistemas tradicionales y sirve, además, para ofrecer alertas más tempranas sobre fenómenos meteorológicos extremos.
“Creemos que esto marca un punto de inflexión en la previsión meteorológica”, describieron los autores en un estudio científico publicado en la revista Science. En la actualidad, el método de referencia para la predicción meteorológica es la “predicción numérica del tiempo” (PNT). Si bien la precisión de los modelos PNT se ha mejorado restrictivamente a lo largo de varios decenios, resultan costosos, complejos y exigentes desde el punto de vista computacional, por lo que requieren mayores recursos informáticos para mejorar la precisión de las previsiones. La predicción meteorológica basada en el aprendizaje automático (MLW ), que puede entrenarse a partir de datos históricos, ofrece una alternativa. Además, MLWP puede aprovechar el hardware moderno de aprendizaje profundo para aumentar la eficiencia.
“La predicción del tiempo es uno de los esfuerzos científicos más antiguos y desafiantes. Las predicciones a mediano plazo son importantes para respaldar la toma de decisiones clave en todos los sectores, desde la energía renovable hasta la logística de eventos, pero son difíciles de hacer con precisión y eficiencia”, agregaron sus creadores.
El nuevo sistema GraphCast trabaja esencialmente con datos históricos y los mezcla con información específica climática. Comienza recopilando datos del actual del clima de la Tierra. Luego, hace una predicción sobre cómo será el clima dentro de seis horas. A continuación, el nuevo sistema devuelve esas predicciones al modelo, realiza el mismo cálculo y arroja pronósticos a más largo plazo.
Según sus desarrolladores, GraphCast es un sistema de pronóstico del tiempo basado en aprendizaje automático y Graph Neural Networks (GNN), que es una arquitectura particularmente útil para procesar datos estructurados espacialmente.
El equipo de Google comparó los resultados se su invención con el modelo actual que se utiliza para la predicción meteorológica a medio plazo, llamado HRES. Según el estudio, GraphCast superó significativamente a HRES en el 90% de los objetivos utilizados en la prueba. También tuvo un éxito sorprendente en la predicción de fenómenos meteorológicos extremos, incluidos ciclones tropicales y cambios de temperatura extraños, a pesar de que no estaba específicamente entrenado para manejarlos.
Aunque este método tradicional ha sido un “triunfo de la ciencia y la ingeniería”, diseñar las ecuaciones y los algoritmos lleva mucho tiempo, exige gran experiencia y costosos ordenadores para conseguir pronósticos precisos, explica en su blog DeepMind, que defiende que el aprendizaje profundo ofrece un enfoque diferente. Se trata, agrega, de usar datos en lugar de ecuaciones físicas para crear un sistema de pronóstico del tiempo.
Ganancias: cuánto retendrán en enero y cómo quedarían las nuevas escalas a partir de febrero
ARCA definirá los nuevos montos que rigen este mes, con actualizaciones de inflación. Cuál será el salario bruto exacto a partir del cual empiezan los descuentos y se aplica el impuesto.
Defensor de confianza
La inviolabilidad del derecho de defensa: Un pilar del Estado Social de Derecho
Defensor de confianza y "fungibilidad": cuando el proceso deja de ser un juicio
La "infungibilidad" del defensor de elección, también denominado defensor de confianza, no es una categoría retórica ni una licencia doctrinaria. Es una garantía constitucional operativa, cuyo desconocimiento revela con nitidez cuándo el proceso penal empieza a deslizarse desde el juicio hacia la administración del conflicto.
Suscribite!
Y recibí las noticias más importantes!
Y recibí las noticias más importantes!
Enero 2026
LO MÁS VISTO
Defensor de confianza
La inviolabilidad del derecho de defensa: Un pilar del Estado Social de Derecho
La "infungibilidad" del defensor de elección, también denominado defensor de confianza, no es una categoría retórica ni una licencia doctrinaria. Es una garantía constitucional operativa, cuyo desconocimiento revela con nitidez cuándo el proceso penal empieza a deslizarse desde el juicio hacia la administración del conflicto.
El personal de casas particulares tendrá un aumento en los haberes. Además del ajuste salarial, se estableció un bono no remunerativo cuyo monto varía según la carga horaria semanal
La incursión estadounidense, preparada durante meses, combinó inteligencia encubierta, ataques a defensas aéreas y una extracción nocturna que elevó con el correr de las horas el número de víctimas fatales
