La previsión meteorológica PBC de Microsoft mejora los modelos sin reemplazarlos

Microsoft ha lanzado un marco de aprendizaje automático orientado a la persistente brecha de la previsión meteorológica de dos a seis semanas. El enfoque de previsión meteorológica Microsoft PBC no reemplaza los modelos establecidos. En cambio, aprende de sus errores recurrentes y ajusta las probabilidades que producen.

Esa distinción crea la tensión central en torno al lanzamiento del 14 de octubre. Las empresas tecnológicas han dedicado años a desarrollar modelos meteorológicos de IA cada vez más ambiciosos. Microsoft sostiene que una capa ligera de corrección puede extraer más valor de los modelos que ya existen.

El marco se llama Probabilistic Bias Correction, o PBC. Microsoft y sus socios de investigación publicaron el método en un estudio revisado por pares. También lanzaron su implementación como software de código abierto.

Microsoft afirma que PBC mejoró los pronósticos de sistemas basados en física, IA e híbridos. Su evidencia más sólida incluye evaluaciones históricas y un año de resultados de competición en tiempo real. Estos hallazgos son relevantes, pero no eliminan la imprevisibilidad subyacente del tiempo meteorológico con semanas de antelación.

Por tanto, la cuestión práctica es más acotada que determinar si la IA puede “resolver” la previsión meteorológica. Se trata de saber si probabilidades mejor calibradas pueden ayudar a las personas a tomar decisiones más seguras antes de que los detalles locales sean predecibles.

Qué cambió Microsoft PBC en la previsión meteorológica

El avance importante de Microsoft es una nueva forma de mejorar los pronósticos existentes, no otro modelo meteorológico independiente.

La predicción numérica tradicional del tiempo parte de las observaciones actuales. Después utiliza ecuaciones matemáticas para simular cómo evolucionarán la atmósfera y los océanos.

Los sistemas de IA más recientes aprenden relaciones a partir de grandes conjuntos de datos históricos. Pueden generar pronósticos mucho más rápido que muchos sistemas basados en física. Ambos enfoques siguen perdiendo información útil a medida que los errores se acumulan con el tiempo.

PBC opera después de que otro modelo haya producido su pronóstico. Analiza las predicciones históricas de ese modelo, identifica errores sistemáticos y ajusta sus futuras distribuciones de probabilidad.

Ese último punto es importante. La corrección de sesgo convencional suele ajustar un valor previsto, como la precipitación esperada. PBC ajusta las probabilidades asignadas a distintos resultados posibles.

Un pronóstico podría asignar probabilidades a cinco categorías históricas, o quintiles. Esas categorías van desde condiciones inusualmente secas hasta condiciones inusualmente húmedas.

El marco recibe pronósticos deterministas, observaciones recientes y umbrales climatológicos. Después genera una distribución de probabilidad calibrada para cada objetivo de pronóstico.

Los investigadores de Microsoft construyeron PBC a partir de dos componentes complementarios. Debias++ aprende correcciones ligadas a la ubicación, la fecha y la categoría de probabilidad. Persistence++ incorpora las condiciones recientes y los patrones estacionales normales.

El sistema combina sus resultados tras garantizar que las probabilidades resultantes formen una distribución válida. Esa combinación busca preservar señales útiles mientras reduce errores predecibles.

El resumen de la investigación describe PBC como una capa ligera compatible con modelos dinámicos, de IA e híbridos. También puede volver a entrenarse de forma incremental a medida que llegan nuevos datos de pronósticos y observaciones.

Los investigadores probaron la temperatura media semanal, la precipitación total y la presión media al nivel del mar. Su evaluación principal abarcó los días 19 a 25 y los días 26 a 32.

Estos periodos se sitúan dentro de la previsión subseasonal, el difícil intervalo entre la predicción meteorológica convencional y las perspectivas climáticas estacionales. Las decisiones tomadas en este horizonte suelen referirse a riesgos, no a condiciones diarias exactas.

Un agricultor no necesita un total exacto de lluvia con cinco semanas de antelación para empezar a planificar. Una probabilidad fiable de tiempo anormalmente seco puede influir en las decisiones sobre semillas, mano de obra e irrigación.

Los responsables de emergencias pueden aplicar la misma lógica. Una probabilidad elevada de calor, frío o precipitación inusuales permite una preparación temprana, incluso sin un pronóstico local preciso.

Microsoft también ha publicado el código de código abierto bajo una licencia MIT. Esto permite a las organizaciones de previsión inspeccionar la implementación y probarla con sus propios modelos.

Esta apertura hace que PBC sea más fácil de cuestionar que una demostración comercial cerrada. También reduce la barrera para equipos de investigación más pequeños que ya disponen de pronósticos y observaciones archivados.

El lanzamiento no proporciona a esos equipos una operación de previsión completa. Aún necesitan modelos de entrada fiables, registros históricos, infraestructura informática y experiencia meteorológica.

PBC cambia una parte de ese sistema. Ofrece un método reutilizable para extraer probabilidades mejor calibradas de la maquinaria de pronóstico en la que las organizaciones ya confían.

Por qué corregir pronósticos puede superar a reemplazarlos

PBC desplaza la carrera de la IA meteorológica desde el reemplazo de modelos hacia mejoras medibles en varios sistemas de previsión.

La predicción meteorológica subseasonal sigue siendo difícil porque la atmósfera es caótica. Pequeños errores en el estado inicial de un modelo crecen a medida que el pronóstico se proyecta más hacia adelante.

Las fuerzas más lentas pueden proporcionar cierta orientación durante este periodo. Las temperaturas oceánicas, la humedad del suelo, la cobertura de nieve y los patrones atmosféricos amplios influyen en las condiciones futuras.

Sin embargo, esas señales rara vez determinan el tiempo local con certeza. Un sistema útil debe representar la incertidumbre en lugar de producir un único resultado seguro.

El método de Microsoft se basa en esa limitación. No afirma recuperar información que ningún pronóstico contiene. Busca señales útiles dentro de pronósticos que también contienen errores sistemáticos.

El artículo de Nature evalúa PBC con el ranked probability skill score, o RPSS. Esta métrica mide si un pronóstico probabilístico mejora respecto a una referencia de climatología histórica.

Una puntuación positiva indica que el pronóstico aporta valor frente a las condiciones normales para ese lugar y fecha. Una puntuación negativa significa que la climatología habría funcionado mejor.

En las pruebas realizadas entre 2016 y 2024, PBC triplicó la habilidad positiva para la precipitación del conjunto dinámico bruto de ECMWF. También transformó la habilidad global negativa para temperatura y presión en resultados positivos.

La comparación con el método operativo de corrección de sesgo de ECMWF fue más exigente. PBC produjo mejoras en precipitación en el 98 por ciento de las celdas de cuadrícula evaluadas.

La temperatura mejoró en entre el 91 y el 92 por ciento de las celdas. La presión media al nivel del mar mejoró entre el 89 y el 91 por ciento, según la ventana de pronóstico.

Los investigadores informaron de ganancias de habilidad en temperatura del 26 al 37 por ciento respecto a los pronósticos de ECMWF corregidos operativamente. Las ganancias de presión oscilaron entre el 16 y el 32 por ciento.

Estos porcentajes describen mejoras sobre puntuaciones de habilidad de referencia modestas. No deben interpretarse como aumentos porcentuales equivalentes en la precisión cotidiana de los pronósticos.

PBC también mejoró un modelo de IA, en lugar de limitarse a corregir resultados basados en física. Aplicado al AI Forecasting System subseasonal de ECMWF, duplicó el RPSS medio del modelo de 0.03 durante las pruebas de 2025.

Ese resultado respalda la afirmación más amplia de Microsoft de que PBC es independiente del modelo. Una capa de corrección puede seguir siendo útil incluso cuando el pronóstico subyacente ya procede del aprendizaje automático.

El método también mejoró POET, un sistema híbrido que aplica redes neuronales y transformers a un conjunto de ECMWF. Por tanto, POET ya había recibido un posprocesamiento sofisticado.

PBC incrementó la habilidad de POET para la precipitación entre un 68 y un 98 por ciento durante la evaluación de 2024. La presión mejoró entre un 15 y un 23 por ciento, mientras que la temperatura mejoró entre un 5 y un 7 por ciento.

Estas diferencias revelan un patrón importante. PBC obtuvo sus mayores ganancias relativas allí donde la habilidad de referencia del modelo de entrada seguía siendo más débil.

Eso es útil, pero exige una interpretación cuidadosa. Duplicar una puntuación pequeña puede representar un progreso genuino sin crear una alerta local fiable.

El valor del marco procede de combinar modelos, en lugar de declarar un ganador universal. Los centros de previsión pueden conservar sistemas dinámicos de confianza mientras añaden correcciones aprendidas.

Ese camino implica menos riesgo operativo que reemplazar toda una cadena de previsión. También permite a los equipos comparar directamente el resultado corregido con sus productos establecidos.

La verdadera competencia es corrección frente a reemplazo

Microsoft cuestiona la suposición de que la mejor estrategia de IA meteorológica empieza por construir un modelo de predicción más grande.

GenCast de Google DeepMind ilustra el lado del reemplazo en esta competencia. GenCast genera pronósticos probabilísticos aprendiendo el comportamiento atmosférico global a partir de datos históricos.

Su modelo meteorológico probabilístico publicado superó al sistema de conjuntos de ECMWF en muchos puntos de referencia de medio alcance. El modelo se centra en pronósticos de hasta unos 15 días.

Otras investigaciones han llevado el aprendizaje automático más profundamente al periodo subseasonal. FuXi-S2S utiliza décadas de datos de reanálisis para predecir condiciones globales varias semanas hacia adelante.

Los resultados publicados de FuXi-S2S informaron de mejoras respecto a los modelos subseasonales convencionales. Sus investigadores también extendieron las predicciones hábiles de la Oscilación Madden-Julian de 30 a 36 días.

Estos sistemas importan porque buscan generar el propio pronóstico. Compiten directamente con la predicción numérica del tiempo en horizontes y variables concretos.

PBC adopta una posición distinta. Asume que los modelos de pronóstico sólidos seguirán coexistiendo y luego mejora las distribuciones de probabilidad que producen.

Esta estrategia de corrección ofrece varias ventajas prácticas. Las organizaciones de previsión no necesitan descartar sus inversiones en modelos dinámicos, canales de observación o flujos de trabajo expertos.

También pueden aplicar el mismo marco de corrección a varios sistemas. Esa flexibilidad es importante porque ningún modelo individual ofrece el mejor rendimiento para todas las variables, regiones y horizontes.

La entrada MicroDuet de PBC demostró esta estrategia en AI Weather Quest de ECMWF. MicroDuet combinó pronósticos de ECMWF corregidos con PBC con pronósticos de POET corregidos con PBC.

El punto de referencia en tiempo real pide a los equipos que envíen predicciones globales semanales. Sus principales ventanas de evaluación abarcan los días 19 a 25 y los días 26 a 32.

La competición atrajo a más de 250 participantes de más de 55 equipos. Estos participantes enviaron pronósticos de más de 100 modelos de IA y aprendizaje automático.

Durante la temporada inicial, de septiembre a noviembre de 2025, MicroDuet ocupó el primer puesto en todas las variables y tiempos de antelación evaluados. Compitió contra 34 equipos y seis centros operativos de previsión.

Entre esos centros figuraban ECMWF, NOAA, Environment and Climate Change Canada y organismos del Reino Unido, Corea del Sur y Japón.

Microsoft afirma que MicroDuet también obtuvo los mejores resultados globales a lo largo de un año completo de previsión en tiempo real. El rendimiento en tiempo real es importante porque reduce el riesgo de adaptar un modelo a eventos ya finalizados.

El resultado aún no resuelve la competencia entre corrección y reemplazo. MicroDuet depende de los modelos subyacentes que los sistemas de reemplazo buscan superar.

Una capa de corrección no puede crear una señal útil cuando todas las entradas pasan por alto un evento. Solo puede mejorar la calibración cuando las relaciones históricas siguen siendo relevantes.

Por tanto, la interpretación más sólida no es que PBC haga innecesarios los grandes modelos de predicción. Convierte sus errores en una fuente reutilizable de datos de entrenamiento.

Esto podría presionar a los desarrolladores de modelos para tratar la calibración como una capacidad central. El rendimiento bruto del modelo por sí solo pierde peso cuando una capa económica de posprocesamiento produce mejoras sustanciales.

Los organismos meteorológicos operativos afrontan otro tipo de presión. Deben decidir si los procedimientos establecidos de corrección de sesgos siguen justificando su lugar en producción.

Según se informa, PBC superó la corrección de sesgos convencional en la mayoría de las celdas de la cuadrícula evaluadas. Ahora, los organismos pueden reproducir esas comparaciones con código abierto y sus observaciones preferidas.

Este enfoque también ofrece a las instituciones más pequeñas un punto de entrada viable. Construir un modelo fundacional global sigue siendo difícil, mientras que corregir un archivo de predicciones accesible es una tarea de ingeniería más acotada.

El resultado es un ecosistema meteorológico más plural. Los modelos físicos, los modelos de IA y los sistemas híbridos siguen siendo competidores, aunque cada uno también puede convertirse en una entrada para el mismo marco de corrección.

Los buenos benchmarks no garantizan capacidad de alerta local

Los resultados principales constituyen evidencia creíble de progreso, pero no demuestran predicciones locales fiables para todos los eventos extremos.

La primera limitación se refiere a la propia métrica. RPSS evalúa distribuciones de probabilidad frente a la climatología en numerosos lugares y fechas.

Un modelo puede mejorar su RPSS medio y aun así no detectar una tormenta peligrosa. También puede asignar mejores probabilidades sin identificar el momento o la ubicación exactos de un evento.

Los promedios globales pueden ocultar debilidades regionales. El rendimiento en amplios campos de temperatura podría no traducirse en predicciones igualmente útiles para extremos de precipitación.

La precipitación es especialmente difícil porque varía bruscamente en distancias cortas. El relieve local, la convección y el transporte de humedad complican las predicciones con semanas de antelación.

La evaluación de Nature utiliza una cuadrícula global con celdas de 1,5 grados de latitud y longitud. Esa escala es útil para anomalías amplias, no para el tiempo a nivel de barrio.

Sus objetivos principales son promedios o totales semanales. Estos objetivos pueden respaldar la planificación, pero difieren de las predicciones para una tormenta concreta en un día concreto.

La evaluación histórica del artículo también se apoya en el reanálisis ERA5 como referencia. El reanálisis combina observaciones y modelización para crear un registro global coherente.

Este conjunto de datos se utiliza ampliamente, pero no es idéntico a todas las redes locales de observación. Las mediciones escasas pueden introducir incertidumbre adicional en algunas regiones.

Los investigadores abordaron otra debilidad habitual mediante competencia en tiempo real. Los resultados de MicroDuet no se limitaron a una prueba retrospectiva seleccionada después de conocer los resultados.

Aun así, un año es un historial operativo corto. Los eventos raros requieren una evaluación más prolongada porque los fallos más importantes ocurren con poca frecuencia.

La historia de la predicción meteorológica de Microsoft PBC también incluye ejemplos llamativos de tormentas. Microsoft afirma que MicroDuet anticipó dos grandes tormentas invernales de Estados Unidos entre 19 y 26 días antes.

Estos casos ayudan a explicar el potencial del marco. No deben considerarse prueba de que PBC predice de forma consistente tormentas individuales con ese plazo de antelación.

Las predicciones con semanas de anticipación suelen identificar una probabilidad elevada de una anomalía amplia. No se parecen a la trayectoria detallada de una tormenta que se muestra más cerca de tocar tierra.

La afirmación de Microsoft de que PBC duplicó la habilidad de AIFS-SUBS necesita un contexto similar. El artículo informa de que el sistema corregido duplicó un RPSS medio de 0,03.

Esa mejora es estadísticamente significativa dentro del estudio. Sin embargo, la puntuación inicial era modesta y la utilidad de la predicción depende de los costes y umbrales de cada decisión.

Una respuesta de un experto independiente publicada por el Science Media Centre de España subrayó esta distinción. Duplicar una habilidad limitada no produce automáticamente una predicción operativa útil.

Esta cautela no invalida PBC. Identifica el siguiente estándar que Microsoft y los organismos de predicción deben cumplir.

Los usuarios necesitan diagramas de fiabilidad, desgloses regionales y rendimiento durante eventos de alto impacto. También necesitan comparaciones con las predicciones que ya se utilizan en decisiones reales.

Las falsas alarmas tienen costes. Un agricultor que cambie sus planes de siembra basándose en una predicción puede perder ingresos si las condiciones previstas nunca llegan.

Los eventos no detectados también importan. Los organismos de emergencia pueden sobreestimar el valor de un sistema si unas puntuaciones medias sólidas ocultan un desempeño débil ante extremos peligrosos.

El diseño de PBC es lo bastante transparente como para permitir este escrutinio. El artículo explica las entradas, los objetivos de evaluación y los modelos de componentes.

La publicación de su código abre otra vía para las pruebas independientes. Los investigadores pueden cambiar regiones, observaciones, variables y intervalos de probabilidad sin depender de la interfaz de producto de Microsoft.

Eso tiene más valor que una afirmación amplia de precisión superior. La replicación mostrará dónde el marco funciona bien y dónde necesita adaptación local.

La temporada de lluvias de Kenia es la prueba práctica

PBC cobra sentido cuando las probabilidades calibradas cambian una decisión, no cuando simplemente mejoran una puntuación global.

Microsoft y sus socios están probando el marco con el servicio meteorológico nacional de Kenia. El trabajo se centra en las predicciones durante una de las dos temporadas de lluvias del país.

Muchas pequeñas explotaciones agrícolas de la región dependen directamente de la lluvia. El riego es limitado, lo que hace que las decisiones sobre siembra y fertilización sean sensibles a las condiciones esperadas.

Los agricultores deben decidir qué semillas comprar y cuándo sembrar. También deben sopesar los riesgos de periodos secos, lluvias intensas y aguaceros dañinos.

Estas decisiones se ajustan a las fortalezas de las predicciones meteorológicas probabilísticas subseasonales. Una distribución de probabilidad semanal puede orientar la planificación sin prometer un resultado diario exacto.

Rhiza Research, una organización sin ánimo de lucro que trabaja en predicción meteorológica con IA, respalda el esfuerzo. Colabora con meteorólogos kenianos y grupos de investigación de Estados Unidos y Alemania.

Microsoft afirma que PBC ayuda al equipo a evaluar probabilidades de lluvias inusualmente intensas o inusualmente escasas. Los meteorólogos utilizan después esos resultados al preparar actualizaciones semanales.

Phillip Okello, meteorólogo principal del servicio meteorológico de Kenia, describió la diferencia en términos concretos. Dijo que los métodos habituales ajustan principalmente las cantidades de lluvia previstas.

PBC, en cambio, corrige las propias probabilidades. Según Okello, mejoró las predicciones en el Gran Cuerno de África más que otros métodos probados.

Su siguiente prioridad también revela la brecha restante. Las predicciones deben ser más precisas para las lluvias intensas y los periodos secos, porque esos resultados son los que más importan a los agricultores.

Esta afirmación es más informativa que un respaldo general. Reconoce una mejora significativa al tiempo que identifica los objetivos no resueltos más difíciles.

El canal de comunicación de una predicción importa tanto como la puntuación de su modelo. Las probabilidades deben llegar pronto a los usuarios, en un lenguaje que entiendan y con orientaciones vinculadas a decisiones reales.

Una predicción a cinco semanas tiene poco valor si se entrega después de comprar las semillas. Una probabilidad técnicamente precisa también puede fracasar si los usuarios la interpretan como una certeza.

Aquí es donde cobra relevancia el argumento del coste. Microsoft presenta PBC como un marco computacionalmente eficiente que se apoya en resultados de predicción ya existentes.

El repositorio público indica que una demostración puede ejecutarse rápidamente en hardware de investigación convencional. Ese ejemplo no mide el coste total de un servicio operativo de predicción.

Las organizaciones aún necesitan descargar datos, mantener canalizaciones, validar predicciones y comunicarlas de forma responsable. Esos costes operativos pueden superar los requisitos informáticos del modelo de corrección.

Sin embargo, el diseño ligero todavía puede ampliar el acceso. Un servicio nacional puede adaptar PBC sin entrenar desde cero un modelo global de IA meteorológica.

La adaptación local también da más control a los meteorólogos. Pueden optimizar con respecto a observaciones y errores que importan dentro de su propio territorio.

Este modelo de adopción difiere de adquirir un producto global de predicción terminado. Trata a los organismos locales como socios técnicos, no como receptores pasivos.

Microsoft también tiene una vía comercial. Su propio modelo subseasonal a estacional ofrece orientación probabilística semanal con hasta seis semanas de antelación.

La empresa afirma que ese modelo funciona en tiempo real y está entrando en una vista previa privada con clientes seleccionados. Microsoft Weather ya proporciona predicciones en varios productos de Microsoft.

Esto crea una tensión útil entre la investigación abierta y la entrega comercial. El código de PBC es público, mientras que un servicio operativo completo incluye datos, infraestructura y soporte propietarios.

La implementación independiente mostrará cuánto valor reside en el propio marco. La adopción comercial pondrá a prueba si las organizaciones confiarán en él para una planificación de consecuencias importantes.

Por tanto, el piloto de Kenia es más que una demostración. Plantea si una calibración mejorada resiste el contacto con datos escasos, extremos locales y toma de decisiones humanas.

Qué observar después en las predicciones de dos a seis semanas

La próxima evidencia debería proceder de replicación independiente, rendimiento ante eventos extremos y uso operativo sostenido.

La primera señal es la replicación fuera de la red de investigación de Microsoft. Los organismos de predicción y los equipos universitarios ya pueden ejecutar el código publicado con sus propios archivos.

Los investigadores deberían informar tanto de los éxitos como de los fracasos. Las comparaciones regionales revelarán si las ganancias se mantienen en distintos climas y sistemas de observación.

Las pruebas más persuasivas utilizarán fechas reservadas y predicciones en tiempo real. Ese diseño limita la oportunidad de ajustar el marco después de conocer el tiempo.

Los resultados también deberían comparar PBC con el proceso actual de corrección de sesgos de cada organización. Superar a un modelo sin corregir es útil, pero la corrección de sesgos operativa es la referencia más exigente.

Ganancias independientes y consistentes reforzarían el argumento central de Microsoft. Resultados regionales mixtos sugerirían que PBC requiere más ajuste local de lo que implica su diseño amplio.

La segunda señal es la habilidad ante eventos extremos. Las puntuaciones medias de temperatura, presión y precipitación no pueden representar plenamente los riesgos a los que se enfrentan agricultores y gestores de emergencias.

Los evaluadores deberían separar las anomalías habituales de las colas peligrosas. Deberían medir lluvias intensas, sequía persistente, frío severo y calor prolongado.

Estos estudios deben informar de las falsas alarmas junto con las advertencias acertadas. Un sistema que detecta más peligros elevando constantemente las probabilidades puede generar poco valor práctico.

El plazo de antelación también requiere un tratamiento cuidadoso. Una señal útil de la tercera semana puede desaparecer en la cuarta, mientras que distintas variables pueden deteriorarse a ritmos diferentes.

La predicción meteorológica de Microsoft PBC será más relevante si mejora las probabilidades de eventos raros sin destruir la calibración. Ese estándar es más difícil que elevar una puntuación media global.

La tercera señal es la adopción operativa sostenida. La vista previa privada de Microsoft mostrará si los sectores de energía, agricultura, logística y los organismos públicos pueden incorporar los resultados a decisiones rutinarias.

La adopción no debería medirse solo mediante anuncios de clientes. La evidencia más sólida será el uso repetido, la verificación documentada de predicciones y las decisiones vinculadas a umbrales de probabilidad definidos.

Kenia ofrece una prueba temprana de esa progresión. Los meteorólogos ya están evaluando PBC durante una temporada de lluvias en curso e identificando dónde sus predicciones necesitan mayor precisión.

La competencia continua de ECMWF proporciona otra prueba pública. MicroDuet debe mantener su posición a medida que nuevos equipos, nuevos modelos de IA y periodos adicionales de predicción entran en el benchmark.

Los competidores también adoptarán ideas similares de posprocesamiento. Si la corrección se convierte en un estándar, PBC podría influir en la predicción incluso si otra implementación termina rindiendo mejor.

Ese resultado confirmaría el giro estratégico detrás del lanzamiento de Microsoft. La competencia relevante ya no sería la física contra la IA ni Microsoft contra Google.

Se convertiría en una competencia por sistemas completos de predicción. Esos sistemas combinan observaciones, modelos dinámicos, modelos de aprendizaje automático, capas de calibración y comunicación experta.

Por tanto, los lectores deberían evitar ambas conclusiones fáciles. PBC no ha resuelto la imprevisibilidad fundamental que limita los pronósticos meteorológicos a largo plazo.

Ha generado evidencia revisada por pares y reproducible de que los modelos existentes dejan información corregible sobre la mesa. Sus resultados en competiciones en tiempo real hacen que esa evidencia sea más difícil de ignorar.

La siguiente pregunta es práctica: ¿qué decisiones mejoran cuando estas probabilidades llegan a las personas entre dos y seis semanas antes de que llegue el tiempo?

Los investigadores pueden probar el código con archivos locales. Los proveedores de pronósticos pueden publicar resultados regionales y sobre eventos extremos. Los responsables de la toma de decisiones pueden definir qué nivel de precisión justificaría actuar.

Ese proceso determinará si la predicción meteorológica PBC de Microsoft se convierte en una capa operativa de uso generalizado o permanece como un impresionante referente de investigación.