Comparado ao sistema atual, o de IA faz previsões mais precisas em 97% dos casos

Cientistas de uma empresa do Google abocanharam um Prêmio Nobel por terem solucionado um dos problemas intratáveis da Biologia: como as proteínas se enovelam e atingem sua estrutura tridimensional. Eles resolveram o problema usando um sistema de inteligência artificial (IA) treinado com todas as estruturas conhecidas. E, como para demonstrar que os novos sistemas de IA podem resolver problemas completamente diferentes, usaram um deles para treinar um computador a jogar Go, um jogo bem mais complicado que o Xadrez. Bingo, o sistema derrotou o melhor jogador de Go.

Agora o mesmo grupo ataca um outro problema considerado intratável: a previsão do clima em um horizonte de 15 dias. E bingo novamente, acaba de publicar um trabalho que descreve um sistema de IA que acerta mais a previsão que o melhor sistema disponível no mundo. Tudo isso demonstra o poder e a versatilidade dos novos sistemas de IA. Mas, afinal, o que tem a ver o enovelamento de proteínas, com o jogo de Go e com a previsão do clima para serem resolvidos com a mesma ferramenta?

Na verdade, esses três problemas têm uma coisa em comum. É a existência de uma enorme quantidade de exemplos que podem ser usados para treinar o sistema de IA. No caso do Go, foram milhões de partida individuais. No caso das proteínas, milhares de estruturas enoveladas determinadas uma a uma por décadas. E, no da previsão do tempo, décadas de dados coletados em todo o planeta.

Até recentemente, para atacar um problema como esses citados, os cientistas primeiro descobriam os princípios físicos, químicos e lógicos que determinavam o processo que queriam entender. Com base neles, construíam um modelo que descreve o sistema e então o usavam para prever o que iria ocorrer, seja como a proteína se enrola, seja como as massas de ar se deslocam, como as peças devem ser colocadas no tabuleiro de Go.

Um exemplo simples é o modelo matemático ensinado na escola para descrever a aceleração de um corpo em queda. Newton descobriu a lei que descreve o fenômeno: uma força, a gravidade, atrai o corpo e essa força depende da massa do corpo e aceleração. Lembram? F=ma. No caso dos sistemas de IA, não precisamos conhecer antes a lei ou fazer contas baseados no modelo matemático. Basta que tenhamos milhares de filmes ou medidas de como os corpos caem de fato. Treinando o sistema com todos esses dados, ele, sozinho, passa a ser capaz de prever como qualquer corpo vai cair. Basta treinar o sistema.

No caso do novo sistema de previsão do tempo, a IA foi treinada com todos os dados meteorológicos coletados, a cada instante, entre 1979 e 2018. Isso inclui dados de estações meteorológicas espalhadas pelo planeta, coletados por satélites, por balões e por aviões. São dados de temperaturas, ventos, umidade e pressão coletados continuamente por 40 anos. Usando-os, sem as equações das leis da termodinâmica e outras leis da Física e da Química, a IA foi capaz de produzir previsões do clima para cada local do planeta, a cada hora, nas próximas 360 horas (15 dias). Para recalcular a previsão a cada hora e atualizá-la o sistema leva só 8 minutos. E gera previsões para cada quadrado da superfície do planeta de 2,5 ° de longitude e latitude (no Equador, isso equivale a um quadrado de 278 por 278 km). O sistema está sendo melhorado para prever o clima em quadrados menores, de 11 km de lado, o tamanho de uma grande fazenda. Comparado ao sistema atual, o de IA faz previsões mais precisas em 97% dos casos, é mais rápido e produz cenários associados às suas respectivas probabilidades, o que os melhores sistemas atuais não fazem.

Prever o tempo tem sido cada vez mais importante com as mudanças climáticas e um sistema que consistentemente consegue fazer a previsão com até 15 dias de antecedência terá impacto enorme na agricultura e na prevenção de desastres climáticos. E esta é só a primeira versão do sistema. Aparentemente a empresa do Google liberou o código fonte do software para uso gratuito pela humanidade. •

INFORMAÇÕES: PROBABILISTIC WEATHER FORECASTING WITHMACHINE LEARNING.

NATURE HTTPS://DOI.ORG/10.1038/S41586-024-08252-9 2024

É BIÓLOGO, PHD EM BIOLOGIA CELULAR E MOLECULAR PELA CORNELL UNIVERSITY E AUTOR DE A CHEGADA DO NOVO CORONAVÍRUS NO BRASIL; FOLHA DE LÓTUS, ESCORREGADOR DE MOSQUITO; E A LONGA MARCHA DOS GRILOS CANIBAIS