Le inondazioni improvvise mietono oltre 5.000 vittime ogni anno, rendendole uno dei fenomeni meteorologici più letali al mondo. La loro imprevedibilità deriva dalla loro rapida insorgenza e dalla natura localizzata, che i tradizionali sistemi di monitoraggio meteorologico faticano a catturare. Ora Google sta sperimentando una nuova soluzione: sfruttare l’intelligenza artificiale e milioni di notizie per prevedere le inondazioni improvvise in tempo reale.
Il problema delle previsioni tradizionali
I dati meteorologici convenzionali spesso non rilevano le inondazioni improvvise perché si sviluppano troppo rapidamente e su un’area troppo piccola. Sebbene la temperatura e i flussi dei fiumi siano monitorati continuamente, questi eventi sono spesso troppo fugaci per essere misurati con precisione. Questa lacuna di dati ostacola l’efficacia dei modelli di deep learning, che eccellono nelle previsioni meteorologiche ma richiedono registrazioni storiche complete.
Groundsource: trasformare le notizie in dati utilizzabili
Per superare questa sfida, i ricercatori di Google hanno utilizzato il suo modello linguistico di grandi dimensioni Gemini per analizzare circa 5 milioni di articoli di notizie. Questo processo ha estratto informazioni su 2,6 milioni di eventi di inondazioni, creando un set di dati di serie temporali geo-taggato chiamato “Groundsource”. Questa è la prima volta che Google applica modelli linguistici per generare dati critici sulle previsioni meteorologiche. Estraendo rapporti da tutto il mondo, Groundsource colma efficacemente le lacune nei dati convenzionali, in particolare nelle regioni prive di infrastrutture meteorologiche avanzate.
Come funziona il modello
Il set di dati Groundsource è stato quindi utilizzato per addestrare una rete neurale Long Short-Term Memory (LSTM). Questo modello integra previsioni meteorologiche globali e genera la probabilità di inondazioni improvvise in aree specifiche. Il risultato è uno strumento predittivo distribuito sulla piattaforma Flood Hub di Google, che fornisce valutazioni del rischio per le aree urbane in 150 paesi. I dati vengono inoltre condivisi con le agenzie di risposta alle emergenze di tutto il mondo, migliorando la loro capacità di reagire rapidamente ai disastri imminenti.
Limitazioni e implicazioni più ampie
Sebbene innovativo, il modello non è privo di limitazioni. La sua attuale risoluzione copre aree di 20 chilometri quadrati, che è meno precisa di sistemi come il National Weather Service degli Stati Uniti che incorporano dati radar locali. Tuttavia, la vera forza del progetto risiede nella sua applicabilità alle regioni in cui i governi non dispongono delle risorse per costose infrastrutture di rilevamento meteorologico.
“Poiché stiamo aggregando milioni di rapporti, il set di dati Groundsource aiuta effettivamente a riequilibrare la mappa. Ci consente di estrapolare ad altre regioni dove non ci sono così tante informazioni.”
— Juliet Rothenberg, Program Manager del team Resilienza di Google
Google prevede di estendere questo approccio ad altri fenomeni difficili da prevedere come le ondate di calore e le colate di fango. Il successo di Groundsource dimostra il potenziale dei modelli linguistici di grandi dimensioni nel trasformare dati qualitativi – notizie, resoconti di testimoni oculari – in intuizioni quantitative che guidano l’azione nel mondo reale. Il progetto evidenzia la crescente tendenza all’uso dell’intelligenza artificiale per colmare le lacune critiche dei dati in geofisica, dove la scarsità rimane un ostacolo importante per una modellazione accurata.
L’iniziativa sottolinea un punto chiave: nell’era del sovraccarico di informazioni, il vero valore non sta nel raccogliere più dati, ma nell’estrarre significato da ciò che già esiste.
