Le previsioni meteorologiche PBC di Microsoft migliorano i modelli senza sostituirli

Microsoft ha rilasciato un framework di machine learning rivolto al persistente divario nelle previsioni meteorologiche da due a sei settimane. L’approccio Microsoft PBC per le previsioni meteorologiche non sostituisce i modelli consolidati. Impara invece dai loro errori ricorrenti e corregge le probabilità che producono.

Questa distinzione crea la tensione centrale attorno al rilascio del 14 ottobre. Le aziende tecnologiche hanno dedicato anni alla costruzione di modelli meteorologici AI sempre più ambiziosi. Microsoft sostiene che un leggero livello di correzione possa estrarre più valore dai modelli già esistenti.

Il framework si chiama Probabilistic Bias Correction, o PBC. Microsoft e i suoi partner di ricerca hanno pubblicato il metodo in uno studio sottoposto a revisione paritaria. Hanno inoltre rilasciato la sua implementazione come software open source.

Microsoft afferma che PBC abbia migliorato le previsioni di sistemi basati sulla fisica, AI e ibridi. Le prove più solide includono valutazioni storiche e un anno di risultati in competizioni in tempo reale. Questi risultati sono rilevanti, ma non eliminano l’imprevedibilità intrinseca del meteo con settimane di anticipo.

La questione pratica è quindi più circoscritta rispetto a chiedersi se l’AI possa “risolvere” le previsioni meteorologiche. Si tratta di capire se probabilità meglio calibrate possano aiutare le persone a prendere decisioni più sicure prima che i dettagli locali diventino prevedibili.

Cosa ha cambiato Microsoft PBC nelle previsioni meteorologiche

La mossa importante di Microsoft è un nuovo modo per migliorare le previsioni esistenti, non un altro modello meteorologico autonomo.

La previsione meteorologica numerica tradizionale parte dalle osservazioni attuali. Utilizza poi equazioni matematiche per simulare come evolveranno atmosfera e oceani.

I sistemi AI più recenti apprendono relazioni da ampi dataset storici. Possono generare previsioni molto più rapidamente di molti sistemi basati sulla fisica. Entrambi gli approcci continuano però a perdere informazioni utili con l’accumularsi degli errori nel tempo.

PBC interviene dopo che un altro modello ha prodotto la propria previsione. Analizza le previsioni storiche di quel modello, individua gli errori sistematici e corregge le sue future distribuzioni di probabilità.

Quest’ultimo punto è importante. La normale correzione delle distorsioni spesso modifica un valore previsto, come la piovosità attesa. PBC modifica invece le probabilità assegnate a diversi possibili esiti.

Una previsione potrebbe distribuire le probabilità tra cinque categorie storiche, o quintili. Queste categorie vanno da condizioni insolitamente secche a condizioni insolitamente umide.

Il framework riceve previsioni deterministiche, osservazioni recenti e soglie climatologiche. Genera quindi una distribuzione di probabilità calibrata per ciascun obiettivo previsionale.

I ricercatori di Microsoft hanno costruito PBC a partire da due componenti complementari. Debias++ apprende correzioni legate a località, data e categoria di probabilità. Persistence++ incorpora le condizioni recenti e i normali schemi stagionali.

Il sistema combina i loro output dopo aver verificato che le probabilità risultanti formino una distribuzione valida. Questa combinazione punta a preservare i segnali utili riducendo al contempo gli errori prevedibili.

Il riepilogo della ricerca descrive PBC come un livello leggero compatibile con modelli dinamici, AI e ibridi. Può inoltre essere riaddestrato progressivamente man mano che arrivano nuovi dati previsionali e osservativi.

I ricercatori hanno testato la temperatura media settimanale, le precipitazioni totali e la pressione media al livello del mare. La loro valutazione principale ha coperto i giorni da 19 a 25 e da 26 a 32.

Questi periodi rientrano nelle previsioni substagionali, il difficile intervallo tra la previsione meteorologica convenzionale e le prospettive climatiche stagionali. Le decisioni prese a questo orizzonte riguardano spesso i rischi, non le condizioni giornaliere esatte.

Un agricoltore non ha bisogno di un totale preciso delle precipitazioni con cinque settimane di anticipo per iniziare a pianificare. Una probabilità affidabile di tempo anormalmente secco può influenzare decisioni su sementi, manodopera e irrigazione.

I responsabili della gestione delle emergenze possono applicare la stessa logica. Una maggiore probabilità di caldo, freddo o precipitazioni insoliti favorisce una preparazione anticipata, anche senza una previsione locale precisa.

Microsoft ha anche rilasciato il codice open source con licenza MIT. Ciò consente alle organizzazioni meteorologiche di esaminare l’implementazione e testarla sui propri modelli.

Questa apertura rende PBC più facile da mettere in discussione rispetto a una dimostrazione commerciale chiusa. Riduce inoltre la barriera d’ingresso per i team di ricerca più piccoli che dispongono già di archivi di previsioni e osservazioni.

Il rilascio non fornisce a questi team un’operazione di previsione completa. Hanno ancora bisogno di modelli di input affidabili, registri storici, infrastruttura di calcolo e competenze meteorologiche.

PBC modifica una parte di quel sistema. Offre un metodo riutilizzabile per estrarre probabilità meglio calibrate dai meccanismi previsionali di cui le organizzazioni già si fidano.

Perché correggere le previsioni può essere meglio che sostituirle

PBC sposta la corsa all’AI meteorologica dalla sostituzione dei modelli verso miglioramenti misurabili in diversi sistemi di previsione.

La previsione meteorologica substagionale resta difficile perché l’atmosfera è caotica. Piccoli errori nello stato iniziale di un modello crescono man mano che la previsione si spinge più avanti.

Forze più lente possono fornire alcune indicazioni durante questo periodo. Temperature oceaniche, umidità del suolo, copertura nevosa e ampi schemi atmosferici influenzano tutti le condizioni future.

Tuttavia, questi segnali raramente determinano il tempo locale con certezza. Un sistema utile deve rappresentare l’incertezza invece di produrre un unico risultato sicuro.

Il metodo di Microsoft si costruisce attorno a questo limite. Non afferma di recuperare informazioni che nessuna previsione contiene. Cerca segnali utili all’interno di previsioni che contengono anche errori sistematici.

L’articolo su Nature valuta PBC con il ranked probability skill score, o RPSS. Questa metrica misura se una previsione probabilistica migliora rispetto a una base climatologica storica.

Un punteggio positivo indica che la previsione aggiunge valore rispetto alle condizioni normali per quel luogo e quella data. Un punteggio negativo significa che la climatologia avrebbe ottenuto risultati migliori.

Nei test dal 2016 al 2024, PBC ha triplicato l’abilità positiva nelle precipitazioni dell’ensemble dinamico grezzo ECMWF. Ha inoltre trasformato l’abilità globale negativa per temperatura e pressione in risultati positivi.

Il confronto con il metodo operativo di correzione delle distorsioni di ECMWF è stato più impegnativo. PBC ha prodotto miglioramenti nelle precipitazioni nel 98 percento delle celle della griglia valutate.

La temperatura è migliorata nel 91-92 percento delle celle. La pressione media al livello del mare è migliorata nell’89-91 percento, a seconda della finestra previsionale.

I ricercatori hanno riportato guadagni nell’abilità della temperatura dal 26 al 37 percento rispetto alle previsioni ECMWF corrette operativamente. I guadagni per la pressione andavano dal 16 al 32 percento.

Queste percentuali descrivono miglioramenti rispetto a punteggi di abilità di base modesti. Non dovrebbero essere interpretate come aumenti percentuali equivalenti dell’accuratezza quotidiana delle previsioni.

PBC ha inoltre migliorato un modello AI anziché limitarsi a correggere output basati sulla fisica. Applicato all’AI Forecasting System substagionale di ECMWF, ha raddoppiato l’RPSS medio del modello, pari a 0,03, nei test del 2025.

Questo risultato sostiene l’affermazione più ampia di Microsoft secondo cui PBC è indipendente dal modello. Un livello di correzione può rimanere utile anche quando la previsione sottostante deriva già dal machine learning.

Il metodo ha inoltre migliorato POET, un sistema ibrido che applica reti neurali e transformer a un ensemble ECMWF. POET aveva quindi già ricevuto un sofisticato post-processing.

PBC ha aumentato l’abilità di POET nelle precipitazioni dal 68 al 98 percento durante la valutazione del 2024. La pressione è migliorata dal 15 al 23 percento, mentre la temperatura è migliorata dal 5 al 7 percento.

Queste differenze rivelano uno schema importante. PBC ha fornito i maggiori guadagni relativi dove l’abilità di base del modello di input restava più debole.

Questo è utile, ma richiede un’interpretazione attenta. Raddoppiare un punteggio ridotto può rappresentare un progresso reale senza creare un allarme locale affidabile.

Il valore del framework deriva dalla combinazione dei modelli anziché dalla dichiarazione di un unico vincitore universale. I centri previsionali possono mantenere sistemi dinamici affidabili aggiungendo al contempo correzioni apprese.

Questo percorso comporta un rischio operativo inferiore rispetto alla sostituzione di un’intera pipeline previsionale. Consente inoltre ai team di confrontare direttamente l’output corretto con i loro prodotti consolidati.

La vera sfida è correzione contro sostituzione

Microsoft mette in discussione l’ipotesi secondo cui la migliore strategia AI per il meteo debba iniziare dalla costruzione di un modello predittivo più grande.

GenCast di Google DeepMind illustra il lato della sostituzione in questa sfida. GenCast genera previsioni probabilistiche apprendendo il comportamento atmosferico globale da dati storici.

Il suo modello meteorologico probabilistico pubblicato ha superato il sistema ensemble di ECMWF in numerosi benchmark a medio termine. Il modello si concentra su previsioni fino a circa 15 giorni.

Altre ricerche hanno portato il machine learning più in profondità nel periodo substagionale. FuXi-S2S utilizza decenni di dati di rianalisi per prevedere le condizioni globali diverse settimane in avanti.

I risultati pubblicati di FuXi-S2S hanno riportato miglioramenti rispetto ai modelli substagionali convenzionali. I suoi ricercatori hanno inoltre esteso le previsioni affidabili dell’Oscillazione Madden-Julian da 30 a 36 giorni.

Questi sistemi contano perché mirano a generare la previsione stessa. Competono direttamente con la previsione meteorologica numerica in specifici orizzonti e variabili.

PBC assume una posizione differente. Parte dal presupposto che modelli previsionali solidi continueranno a coesistere, per poi migliorare le distribuzioni di probabilità che producono.

Questa strategia di correzione offre diversi vantaggi pratici. Le organizzazioni meteorologiche non devono abbandonare gli investimenti in modelli dinamici, pipeline di osservazione o flussi di lavoro degli esperti.

Possono inoltre applicare lo stesso framework di correzione a più sistemi. Questa flessibilità è importante perché nessun singolo modello offre le prestazioni migliori per ogni variabile, regione e orizzonte.

L’iscrizione MicroDuet di PBC ha dimostrato questa strategia nell’AI Weather Quest di ECMWF. MicroDuet ha combinato previsioni ECMWF corrette da PBC con previsioni POET corrette da PBC.

Il benchmark in tempo reale chiede ai team di inviare previsioni globali settimanali. Le sue principali finestre di valutazione coprono i giorni da 19 a 25 e da 26 a 32.

La competizione ha attirato più di 250 partecipanti in oltre 55 team. Questi partecipanti hanno inviato previsioni da più di 100 modelli AI e di machine learning.

Durante la stagione iniziale da settembre a novembre 2025, MicroDuet si è classificato primo per ogni variabile e tempo di previsione valutati. Ha gareggiato contro 34 team e sei centri operativi di previsione.

Questi centri includevano ECMWF, NOAA, Environment and Climate Change Canada e agenzie del Regno Unito, della Corea del Sud e del Giappone.

Microsoft afferma che MicroDuet abbia inoltre ottenuto i migliori risultati complessivi nell’arco di un anno completo di previsioni in tempo reale. Le prestazioni in tempo reale contano perché riducono il rischio di adattare un modello a eventi già conclusi.

Il risultato non risolve comunque la sfida tra correzione e sostituzione. MicroDuet dipende dai modelli sottostanti che i sistemi sostitutivi mirano a superare.

Un livello di correzione non può creare un segnale utile quando ogni input manca un evento. Può migliorare la calibrazione solo quando le relazioni storiche restano pertinenti.

Pertanto, l’interpretazione più solida non è che PBC renda superflui i grandi modelli previsionali. Rende i loro errori una fonte riutilizzabile di dati per l’addestramento.

Questo potrebbe spingere gli sviluppatori di modelli a trattare la calibrazione come una capacità centrale. Le prestazioni grezze del modello, da sole, diventano meno decisive quando un livello di post-elaborazione economico produce miglioramenti sostanziali.

Le agenzie meteorologiche operative affrontano un diverso tipo di pressione. Devono decidere se le procedure consolidate di correzione dei bias giustifichino ancora il loro ruolo in produzione.

Secondo quanto riportato, PBC ha superato le tecniche convenzionali di correzione dei bias nella maggior parte delle celle di griglia valutate. Le agenzie possono ora riprodurre questi confronti usando codice aperto e le osservazioni che preferiscono.

Questo approccio offre inoltre alle istituzioni più piccole un punto di ingresso plausibile. Costruire un modello fondazionale globale resta difficile, mentre correggere un archivio previsionale accessibile è un compito ingegneristico più circoscritto.

Il risultato è un ecosistema meteorologico più plurale. I modelli fisici, i modelli di IA e i sistemi ibridi restano concorrenti, ma ciascuno può anche diventare un input per lo stesso framework di correzione.

Benchmark solidi non garantiscono capacità di allerta locali

I risultati principali sono prove credibili di progresso, ma non dimostrano previsioni locali affidabili per ogni evento estremo.

La prima limitazione riguarda la metrica stessa. RPSS valuta le distribuzioni di probabilità rispetto alla climatologia in molti luoghi e date.

Un modello può migliorare il proprio RPSS medio pur mancando una tempesta pericolosa. Può inoltre assegnare probabilità migliori senza identificare il momento o il luogo esatto di un evento.

Le medie globali possono nascondere debolezze regionali. Le prestazioni su ampi campi di temperatura potrebbero non tradursi in previsioni altrettanto utili per gli estremi di precipitazione.

Le precipitazioni sono particolarmente difficili perché variano nettamente su brevi distanze. Il terreno locale, la convezione e il trasporto di umidità complicano le previsioni con settimane di anticipo.

La valutazione di Nature utilizza una griglia globale con celle che coprono 1,5 gradi di latitudine e longitudine. Questa scala è utile per anomalie estese, non per il meteo a livello di quartiere.

I suoi obiettivi principali sono medie o totali settimanali. Tali obiettivi possono sostenere la pianificazione, ma differiscono dalle previsioni per una specifica tempesta in un particolare giorno.

La valutazione storica dell’articolo si basa inoltre sulla rianalisi ERA5 come riferimento di verità. La rianalisi combina osservazioni e modellazione per creare una registrazione globale coerente.

Questo dataset è ampiamente utilizzato, ma non è identico a ogni rete di osservazione locale. Misurazioni scarse possono introdurre ulteriore incertezza in alcune regioni.

I ricercatori hanno affrontato un’altra debolezza comune attraverso una competizione in tempo reale. I risultati di MicroDuet non erano limitati a un test retrospettivo selezionato dopo che gli esiti erano diventati noti.

Ciononostante, un anno è un periodo operativo breve. Gli eventi rari richiedono una valutazione più lunga perché gli insuccessi più rilevanti si verificano di rado.

La storia delle previsioni meteorologiche PBC di Microsoft include anche esempi vividi di tempeste. Microsoft afferma che MicroDuet ha anticipato due grandi tempeste invernali negli Stati Uniti da 19 a 26 giorni prima.

Questi casi aiutano a spiegare il potenziale del framework. Non dovrebbero essere considerati una prova che PBC preveda costantemente singole tempeste con tale anticipo.

Le previsioni con settimane di anticipo solitamente identificano una probabilità elevata di un’anomalia estesa. Non somigliano alla traiettoria dettagliata di una tempesta mostrata più vicino al suo approdo.

L’affermazione di Microsoft secondo cui PBC abbia raddoppiato l’abilità di AIFS-SUBS richiede un contesto analogo. L’articolo riporta che il sistema corretto ha raddoppiato un RPSS medio di 0,03.

Questo miglioramento è statisticamente significativo nell’ambito dello studio. Tuttavia, il punteggio iniziale era modesto e l’utilità della previsione dipende dai costi e dalle soglie di ciascuna decisione.

Una risposta di un esperto indipendente pubblicata dallo Science Media Centre spagnolo ha sottolineato questa distinzione. Raddoppiare una capacità limitata non produce automaticamente una previsione operativa utile.

Questa cautela non invalida PBC. Identifica lo standard successivo che Microsoft e le agenzie previsionali devono soddisfare.

Gli utenti hanno bisogno di diagrammi di affidabilità, analisi regionali e prestazioni durante eventi ad alto impatto. Hanno inoltre bisogno di confronti con le previsioni già utilizzate nelle decisioni reali.

I falsi allarmi comportano costi. Un agricoltore che modifica i piani di semina in base a una previsione può perdere reddito se le condizioni previste non si verificano mai.

Anche gli eventi mancati contano. Le agenzie di emergenza potrebbero sovrastimare il valore di un sistema se punteggi medi elevati nascondono prestazioni deboli sugli estremi pericolosi.

Il design di PBC è sufficientemente trasparente da sostenere questo esame. L’articolo spiega gli input, gli obiettivi di valutazione e i modelli componenti.

Il rilascio del suo codice crea un’altra strada per i test indipendenti. I ricercatori possono modificare regioni, osservazioni, variabili e intervalli di probabilità senza affidarsi all’interfaccia di prodotto di Microsoft.

Questo vale più di un’ampia affermazione di accuratezza superiore. La replica mostrerà dove il framework si adatta bene e dove necessita di adattamento locale.

La stagione delle piogge in Kenya è il test pratico

PBC diventa significativo quando le probabilità calibrate cambiano una decisione, non quando migliorano semplicemente un punteggio globale.

Microsoft e i suoi partner stanno testando il framework con il servizio meteorologico nazionale del Kenya. Il lavoro si concentra sulle previsioni durante una delle due stagioni delle piogge del Paese.

Molte piccole aziende agricole della regione dipendono direttamente dalle precipitazioni. L’irrigazione è limitata, rendendo le decisioni su semina e fertilizzazione sensibili alle condizioni attese.

Gli agricoltori devono decidere quali sementi acquistare e quando piantare. Devono inoltre valutare i rischi di periodi secchi, piogge intense e acquazzoni dannosi.

Queste scelte corrispondono ai punti di forza delle previsioni meteorologiche probabilistiche substagionali. Una distribuzione di probabilità settimanale può informare la pianificazione senza promettere un esito giornaliero esatto.

Rhiza Research, un’organizzazione non profit che lavora sulle previsioni meteorologiche con IA, sostiene l’iniziativa. Collabora con previsori keniani e gruppi di ricerca negli Stati Uniti e in Germania.

Microsoft afferma che PBC sta aiutando il team a valutare le probabilità di precipitazioni insolitamente abbondanti o insolitamente scarse. I previsori usano poi questi risultati durante la preparazione degli aggiornamenti settimanali.

Phillip Okello, meteorologo principale del servizio meteorologico del Kenya, ha descritto la differenza in termini concreti. Ha affermato che i metodi ordinari correggono principalmente le quantità di pioggia previste.

PBC corregge invece le probabilità stesse. Secondo Okello, ha migliorato le previsioni nel Grande Corno d’Africa più degli altri metodi testati.

La sua prossima priorità espone anche il divario rimanente. Le previsioni devono diventare più precise per le forti piogge e i periodi secchi, poiché questi esiti sono quelli che contano maggiormente per gli agricoltori.

Questa dichiarazione è più informativa di un’approvazione generica. Riconosce un miglioramento significativo, identificando al tempo stesso gli obiettivi irrisolti più difficili.

Il canale di comunicazione di una previsione conta quanto il punteggio del suo modello. Le probabilità devono raggiungere gli utenti in anticipo, in una lingua che comprendono, con indicazioni legate a scelte concrete.

Una previsione a cinque settimane ha poco valore se arriva dopo l’acquisto delle sementi. Una probabilità tecnicamente accurata può anche fallire quando gli utenti la interpretano come certezza.

È qui che diventa rilevante l’argomento dei costi. Microsoft presenta PBC come un framework computazionalmente efficiente che si basa su output previsionali esistenti.

Il repository pubblico afferma che una dimostrazione può essere eseguita rapidamente su hardware di ricerca convenzionale. Questo esempio non misura il costo completo di un servizio di previsione operativo.

Le organizzazioni devono comunque scaricare dati, mantenere pipeline, convalidare le previsioni e comunicarle responsabilmente. Questi costi operativi possono superare i requisiti di calcolo del modello di correzione.

Eppure il design leggero può comunque ampliare l’accesso. Un servizio nazionale può adattare PBC senza addestrare da zero un modello meteorologico globale di IA.

L’adattamento locale offre inoltre ai meteorologi maggiore controllo. Possono ottimizzare rispetto a osservazioni ed errori rilevanti nel proprio territorio.

Questo modello di adozione differisce dall’acquisto di un prodotto di previsione globale finito. Tratta le agenzie locali come partner tecnici anziché come destinatari passivi.

Microsoft dispone anche di un percorso commerciale. Il suo modello substagionale-stagionale fornisce indicazioni probabilistiche settimanali fino a sei settimane in anticipo.

L’azienda afferma che il modello opera in tempo reale ed è in fase di anteprima privata con clienti selezionati. Microsoft Weather fornisce già previsioni in diversi prodotti Microsoft.

Questo crea una tensione utile tra ricerca aperta e fornitura commerciale. Il codice di PBC è pubblico, mentre un servizio operativo completo include dati proprietari, infrastruttura e supporto.

L’implementazione indipendente mostrerà quanto valore risieda nel framework stesso. L’adozione commerciale verificherà se le organizzazioni si fideranno di esso per una pianificazione con conseguenze rilevanti.

Il progetto pilota in Kenya è quindi più di una vetrina. Chiede se una calibrazione migliorata resista al confronto con dati scarsi, estremi locali e decisioni umane.

Cosa osservare nelle previsioni da due a sei settimane

Le prossime prove dovrebbero provenire da repliche indipendenti, prestazioni sugli eventi estremi e uso operativo prolungato.

Il primo segnale è la replica al di fuori della rete di ricerca Microsoft. Le agenzie previsionali e i team universitari possono ora eseguire il codice pubblicato sui propri archivi.

I ricercatori dovrebbero riportare sia i successi sia gli insuccessi. I confronti regionali riveleranno se i miglioramenti restano ampi in climi e sistemi di osservazione diversi.

I test più persuasivi utilizzeranno date escluse e previsioni in tempo reale. Questo design limita l’opportunità di regolare il framework dopo aver osservato il meteo.

I risultati dovrebbero inoltre confrontare PBC con il processo di correzione dei bias attualmente adottato da ciascuna organizzazione. Superare un modello non corretto è utile, ma la correzione operativa dei bias è il riferimento più impegnativo.

Guadagni indipendenti e costanti rafforzerebbero l’argomento centrale di Microsoft. Risultati regionali contrastanti suggerirebbero che PBC richiede più regolazioni locali di quanto il suo design generale implichi.

Il secondo segnale è la capacità sugli eventi estremi. I punteggi medi di temperatura, pressione e precipitazioni non possono rappresentare pienamente i rischi affrontati da agricoltori e responsabili delle emergenze.

I valutatori dovrebbero separare le anomalie ordinarie dalle code pericolose. Dovrebbero misurare forti precipitazioni, siccità persistente, freddo intenso e caldo prolungato.

Questi studi devono riportare i falsi allarmi insieme agli avvisi riusciti. Un sistema che rileva più pericoli aumentando costantemente le probabilità può creare poco valore pratico.

Anche il tempo di anticipo necessita di una gestione attenta. Un segnale utile alla terza settimana può scomparire entro la quarta, mentre diverse variabili possono degradarsi a ritmi diversi.

Le previsioni meteorologiche PBC di Microsoft saranno più rilevanti se miglioreranno le probabilità degli eventi rari senza distruggere la calibrazione. Questo standard è più difficile da raggiungere che aumentare un punteggio globale medio.

Il terzo segnale è l’adozione operativa prolungata. L’anteprima privata di Microsoft mostrerà se energia, agricoltura, logistica e agenzie pubbliche possano incorporare l’output nelle decisioni di routine.

L’adozione non dovrebbe essere misurata soltanto dagli annunci dei clienti. La prova più forte sarà l’uso ripetuto, una verifica documentata delle previsioni e decisioni legate a soglie di probabilità definite.

Il Kenya offre un primo test di questa progressione. I previsori stanno già valutando PBC durante una stagione delle piogge in corso e identificando i punti in cui le sue previsioni necessitano di maggiore precisione.

La competizione continua dell’ECMWF fornisce un altro test pubblico. MicroDuet deve mantenere la propria posizione mentre nuovi team, nuovi modelli di IA e ulteriori periodi previsionali entrano nel benchmark.

Anche i concorrenti adotteranno idee simili di post-elaborazione. Se la correzione diventerà uno standard, PBC potrebbe influenzare le previsioni anche quando un’altra implementazione finirà per offrire prestazioni migliori.

Quel risultato confermerebbe il cambiamento strategico alla base del rilascio di Microsoft. La sfida importante non sarebbe più la fisica contro l'AI o Microsoft contro Google.

Diventerebbe una competizione sui sistemi di previsione completi. Questi sistemi combinano osservazioni, modelli dinamici, modelli addestrati, livelli di calibrazione e comunicazione degli esperti.

I lettori dovrebbero quindi evitare entrambe le conclusioni facili. PBC non ha risolto l'imprevedibilità fondamentale che limita le previsioni meteorologiche a lungo termine.

Ha prodotto prove sottoposte a revisione paritaria e riproducibili del fatto che i modelli esistenti lasciano inutilizzate informazioni correggibili. I suoi risultati nelle competizioni in tempo reale rendono tali prove più difficili da liquidare.

La prossima domanda è pratica: quali decisioni migliorano quando queste probabilità raggiungono le persone da due a sei settimane prima dell'arrivo del tempo meteorologico?

I ricercatori possono testare il codice rispetto agli archivi locali. I fornitori di previsioni possono pubblicare risultati regionali e relativi agli eventi estremi. I decisori possono definire quale livello di accuratezza giustificherebbe un'azione.

Questo processo determinerà se le previsioni meteorologiche Microsoft PBC diventeranno un livello operativo ampiamente utilizzato o rimarranno un impressionante punto di riferimento per la ricerca.