A Microsoft deu um novo passo no uso de inteligência artificial para meteorologia com o lançamento da Aurora, sistema de previsão do tempo que promete gerar resultados em segundos — e não mais em horas, como ocorre com os métodos convencionais. A tecnologia já está sendo testada em um dos maiores centros meteorológicos da Europa, ao lado de modelos tradicionais e outras soluções de IA.

A Aurora consegue prever as condições climáticas para os próximos dez dias com escala espacial refinada e maior agilidade, o que pode ser determinante em decisões que envolvem riscos à vida, como alertas de tempestades ou evacuações.

O sistema também pode ser adaptado para prever outros fenômenos, como poluição do ar, altura de ondas e ciclones tropicais, o que abre possibilidades em setores como energia, transporte e agricultura.

Diferentemente dos convencionais, utilizados há décadas e que dependem de equações físicas complexas e exigem supercomputadores e horas para rodar, os modelos baseados em inteligência artificial são mais rápidos de desenvolver, executar e atualizar. Eles aprendem padrões em grandes volumes de dados para prever eventos futuros.

Além da Microsoft, Google, Nvidia e Huawei também já produziram modelos de previsão do tempo baseados em IA.

Desafios para o futuro

Uma pesquisa publicada na Nature destaca, entretanto, que, apesar dos avanços, esses modelos ainda dependem dos dados e das previsões dos sistemas tradicionais para iniciar suas análises e validar resultados. Alguns especialistas também alertam para a necessidade de supervisão humana, já que a IA não compreende as leis físicas e pode produzir previsões incorretas.

Além disso, um desafio para as tecnologias atuais, sejam baseadas em IA ou não, é a adaptação de modelos globais, ainda dominantes no cenário, para a previsão precisa de eventos locais, como tempestades.

Dois outros desafios envolvem o custo enérgico para treinamento desses modelos baseados em inteligência artificial e os recentes cortes em agências de pesquisa e meteorologia dos EUA, os quais devem atrasar o avanço das pesquisas e, consequentemente, a disponibilidade de dados para o desenvolvimento e treinamento contínuo das IAs.