A Previsão do Tempo PBC da Microsoft Melhora Modelos Sem Substituí-los

A Microsoft lançou uma estrutura de aprendizado de máquina voltada à persistente lacuna nas previsões do tempo de duas a seis semanas. A abordagem Microsoft PBC para previsão do tempo não substitui modelos consolidados. Em vez disso, ela aprende com seus erros recorrentes e ajusta as probabilidades que produzem.

Essa distinção cria a tensão central em torno do lançamento de 14 de outubro. Empresas de tecnologia passaram anos desenvolvendo modelos de IA meteorológica cada vez mais ambiciosos. A Microsoft defende que uma camada leve de correção pode extrair mais valor de modelos que já existem.

A estrutura chama-se Probabilistic Bias Correction, ou PBC. A Microsoft e seus parceiros de pesquisa publicaram o método em um estudo revisado por pares. Também disponibilizaram sua implementação como software de código aberto.

A Microsoft afirma que o PBC melhorou previsões de sistemas baseados em física, IA e sistemas híbridos. Suas evidências mais fortes incluem avaliações históricas e um ano de resultados em competições em tempo real. Essas conclusões são substanciais, mas não eliminam a imprevisibilidade inerente do tempo com semanas de antecedência.

A questão prática, portanto, é mais restrita do que saber se a IA pode “resolver” a previsão do tempo. Trata-se de saber se probabilidades mais bem calibradas podem ajudar as pessoas a tomar decisões mais seguras antes que os detalhes locais se tornem previsíveis.

O Que a Previsão do Tempo Microsoft PBC Mudou

O avanço importante da Microsoft é uma nova forma de melhorar previsões existentes, e não mais um modelo meteorológico independente.

A previsão numérica tradicional do tempo começa com observações atuais. Em seguida, usa equações matemáticas para simular como a atmosfera e os oceanos irão evoluir.

Sistemas de IA mais recentes aprendem relações a partir de grandes conjuntos de dados históricos. Eles podem gerar previsões muito mais rapidamente do que muitos sistemas baseados em física. Ambas as abordagens ainda perdem informações úteis à medida que os erros se acumulam ao longo do tempo.

O PBC atua depois que outro modelo produz sua previsão. Ele analisa as previsões históricas desse modelo, identifica erros sistemáticos e ajusta suas futuras distribuições de probabilidade.

Esse último ponto importa. A correção de viés comum frequentemente ajusta um valor previsto, como a chuva esperada. O PBC ajusta as probabilidades atribuídas a diferentes resultados possíveis.

Uma previsão pode distribuir probabilidades entre cinco categorias históricas, ou quintis. Essas categorias vão de condições excepcionalmente secas a condições excepcionalmente úmidas.

A estrutura recebe previsões determinísticas, observações recentes e limiares climatológicos. Em seguida, gera uma distribuição de probabilidades calibrada para cada alvo de previsão.

Os pesquisadores da Microsoft desenvolveram o PBC a partir de dois componentes complementares. O Debias++ aprende correções ligadas à localização, à data e à categoria de probabilidade. O Persistence++ incorpora condições recentes e padrões sazonais normais.

O sistema combina suas saídas depois de garantir que as probabilidades resultantes formem uma distribuição válida. Essa combinação busca preservar sinais úteis enquanto reduz erros previsíveis.

O resumo da pesquisa descreve o PBC como uma camada leve compatível com modelos dinâmicos, de IA e híbridos. Ele também pode ser retreinado de forma incremental à medida que novos dados de previsão e observação chegam.

Os pesquisadores testaram a temperatura média semanal, a precipitação total e a pressão média ao nível do mar. A avaliação principal abrangeu os dias 19 a 25 e os dias 26 a 32.

Esses períodos se enquadram na previsão subseasonal, o intervalo difícil entre a previsão meteorológica convencional e as projeções climáticas sazonais. As decisões tomadas nesse horizonte frequentemente dizem respeito a riscos, e não a condições diárias exatas.

Um agricultor não precisa de um total exato de chuva com cinco semanas de antecedência para começar a planejar. Uma probabilidade confiável de tempo anormalmente seco pode influenciar decisões sobre sementes, mão de obra e irrigação.

Gestores de emergência podem usar a mesma lógica. Uma probabilidade elevada de calor, frio ou precipitação incomuns favorece a preparação antecipada, mesmo sem uma previsão local precisa.

A Microsoft também lançou o código aberto sob licença MIT. Isso permite que organizações de previsão inspecionem a implementação e a testem em seus próprios modelos.

Essa abertura torna o PBC mais fácil de contestar do que uma demonstração comercial fechada. Ela também reduz a barreira para equipes menores de pesquisa que já possuem previsões e observações arquivadas.

O lançamento não oferece a essas equipes uma operação completa de previsão. Elas ainda precisam de modelos de entrada confiáveis, registros históricos, infraestrutura computacional e expertise meteorológica.

O PBC muda uma parte desse sistema. Ele oferece um método reutilizável para extrair probabilidades mais bem calibradas da infraestrutura de previsão em que as organizações já confiam.

Por Que Corrigir Previsões Pode Ser Melhor do Que Substituí-las

O PBC desloca a corrida da IA meteorológica da substituição de modelos para melhorias mensuráveis em vários sistemas de previsão.

A previsão subseasonal do tempo continua difícil porque a atmosfera é caótica. Pequenos erros no estado inicial de um modelo crescem à medida que a previsão avança.

Forças mais lentas podem oferecer alguma orientação nesse período. Temperaturas oceânicas, umidade do solo, cobertura de neve e padrões atmosféricos amplos influenciam as condições futuras.

No entanto, esses sinais raramente determinam o tempo local com certeza. Um sistema útil precisa representar a incerteza em vez de produzir um único resultado confiante.

O método da Microsoft é construído em torno dessa limitação. Ele não afirma recuperar informações que nenhuma previsão contém. Ele busca sinais úteis dentro de previsões que também contêm erros sistemáticos.

O artigo da Nature avalia o PBC com o ranked probability skill score, ou RPSS. Essa métrica mede se uma previsão probabilística melhora em relação a uma linha de base de climatologia histórica.

Uma pontuação positiva indica que a previsão agrega valor além das condições normais para aquele local e data. Uma pontuação negativa significa que a climatologia teria tido melhor desempenho.

Em testes cobrindo 2016 a 2024, o PBC triplicou a habilidade positiva de precipitação do conjunto dinâmico bruto do ECMWF. Também transformou habilidades globais negativas de temperatura e pressão em resultados positivos.

A comparação com o método operacional de correção de viés do ECMWF foi mais exigente. O PBC produziu melhorias em precipitação em 98 por cento das células de grade avaliadas.

A temperatura melhorou em 91 a 92 por cento das células. A pressão média ao nível do mar melhorou em 89 a 91 por cento, dependendo da janela de previsão.

Os pesquisadores relataram ganhos de habilidade de temperatura de 26 a 37 por cento em relação às previsões do ECMWF corrigidas operacionalmente. Os ganhos de pressão variaram de 16 a 32 por cento.

Essas porcentagens descrevem melhorias sobre pontuações modestas de habilidade de referência. Elas não devem ser interpretadas como aumentos percentuais equivalentes na precisão cotidiana das previsões.

O PBC também melhorou um modelo de IA, em vez de corrigir apenas saídas baseadas em física. Aplicado ao AI Forecasting System subseasonal do ECMWF, ele dobrou o RPSS médio do modelo, de 0,03, durante os testes de 2025.

Esse resultado sustenta a afirmação mais ampla da Microsoft de que o PBC é independente de modelo. Uma camada de correção pode continuar útil mesmo quando a previsão subjacente já vem do aprendizado de máquina.

O método também melhorou o POET, um sistema híbrido que aplica redes neurais e transformers a um conjunto do ECMWF. Portanto, o POET já havia recebido pós-processamento sofisticado.

O PBC aumentou a habilidade de precipitação do POET em 68 a 98 por cento durante a avaliação de 2024. A pressão melhorou de 15 a 23 por cento, enquanto a temperatura melhorou de 5 a 7 por cento.

Essas diferenças revelam um padrão importante. O PBC proporcionou seus maiores ganhos relativos onde a habilidade de referência do modelo de entrada ainda era mais fraca.

Isso é útil, mas exige interpretação cuidadosa. Dobrar uma pontuação pequena pode representar progresso real sem criar um alerta local confiável.

O valor da estrutura vem da combinação de modelos, e não da declaração de um vencedor universal. Centros de previsão podem preservar sistemas dinâmicos confiáveis enquanto adicionam correções aprendidas.

Esse caminho traz menor risco operacional do que substituir todo um pipeline de previsão. Ele também permite que as equipes comparem diretamente a saída corrigida com seus produtos estabelecidos.

A Verdadeira Disputa É Correção Versus Substituição

A Microsoft questiona a suposição de que a melhor estratégia de IA meteorológica começa com a construção de um modelo de previsão maior.

O GenCast, do Google DeepMind, ilustra o lado da substituição nessa disputa. O GenCast gera previsões probabilísticas ao aprender o comportamento atmosférico global a partir de dados históricos.

Seu modelo meteorológico probabilístico publicado superou o sistema de conjunto do ECMWF em muitos benchmarks de médio prazo. O modelo se concentra em previsões que alcançam cerca de 15 dias à frente.

Outras pesquisas levaram o aprendizado de máquina mais profundamente ao período subseasonal. O FuXi-S2S usa décadas de dados de reanálise para prever condições globais várias semanas à frente.

Os resultados publicados do FuXi-S2S relataram melhorias em relação a modelos subseasonais convencionais. Seus pesquisadores também estenderam previsões hábeis da Oscilação Madden-Julian de 30 para 36 dias.

Esses sistemas importam porque buscam gerar a própria previsão. Eles competem diretamente com a previsão numérica do tempo em determinados horizontes e variáveis.

O PBC adota uma posição diferente. Ele pressupõe que modelos robustos de previsão continuarão coexistindo e, então, melhora as distribuições de probabilidade que produzem.

Essa estratégia de correção oferece várias vantagens práticas. Organizações de previsão não precisam descartar investimentos em modelos dinâmicos, pipelines de observação ou fluxos de trabalho especializados.

Elas também podem aplicar a mesma estrutura de correção a vários sistemas. Essa flexibilidade importa porque nenhum modelo individual tem o melhor desempenho para todas as variáveis, regiões e horizontes.

A entrada MicroDuet do PBC demonstrou essa estratégia no AI Weather Quest do ECMWF. O MicroDuet combinou previsões do ECMWF corrigidas pelo PBC com previsões do POET corrigidas pelo PBC.

O benchmark em tempo real pede às equipes que enviem previsões globais semanais. Suas principais janelas de avaliação cobrem os dias 19 a 25 e os dias 26 a 32.

A competição atraiu mais de 250 participantes em mais de 55 equipes. Esses participantes enviaram previsões de mais de 100 modelos de IA e aprendizado de máquina.

Durante a temporada inicial de setembro a novembro de 2025, o MicroDuet ficou em primeiro lugar em todas as variáveis e prazos de previsão avaliados. Ele competiu contra 34 equipes e seis centros operacionais de previsão.

Esses centros incluíam o ECMWF, a NOAA, o Environment and Climate Change Canada e agências do Reino Unido, da Coreia do Sul e do Japão.

A Microsoft afirma que o MicroDuet também alcançou os melhores resultados gerais ao longo de um ano completo de previsões em tempo real. O desempenho em tempo real importa porque reduz o risco de adaptar um modelo a eventos já concluídos.

O resultado ainda não resolve a disputa entre correção e substituição. O MicroDuet depende dos modelos subjacentes que os sistemas de substituição buscam superar.

Uma camada de correção não pode criar um sinal útil quando todas as entradas deixam de identificar um evento. Ela só pode melhorar a calibração quando as relações históricas permanecem relevantes.

A interpretação mais forte, portanto, não é que o PBC torne desnecessários os grandes modelos de previsão. Ele transforma seus erros em uma fonte reutilizável de dados de treinamento.

Isso pode pressionar os desenvolvedores de modelos a tratar a calibração como uma capacidade central. O desempenho bruto do modelo, por si só, torna-se menos decisivo quando uma camada de pós-processamento barata produz ganhos substanciais.

As agências meteorológicas operacionais enfrentam outro tipo de pressão. Elas precisam decidir se os procedimentos estabelecidos de correção de viés ainda justificam seu lugar na produção.

Segundo relatos, o PBC superou a correção de viés convencional na maioria das células de grade avaliadas. As agências agora podem reproduzir essas comparações usando código aberto e suas observações preferidas.

Essa abordagem também oferece às instituições menores um ponto de entrada plausível. Construir um modelo fundacional global continua difícil, enquanto corrigir um arquivo de previsões acessível é uma tarefa de engenharia mais limitada.

O resultado é um ecossistema meteorológico mais plural. Modelos físicos, modelos de IA e sistemas híbridos continuam concorrentes, mas cada um também pode se tornar uma entrada para o mesmo framework de correção.

Benchmarks Fortes Não Garantem Capacidade Local de Alerta

Os resultados principais são evidências críveis de progresso, mas não estabelecem previsões locais confiáveis para todos os eventos extremos.

A primeira limitação diz respeito à própria métrica. O RPSS avalia distribuições de probabilidade em relação à climatologia em muitos locais e datas.

Um modelo pode melhorar seu RPSS médio e ainda assim deixar de prever uma tempestade perigosa. Ele também pode atribuir probabilidades melhores sem identificar o momento ou a localização exatos de um evento.

Médias globais podem ocultar fragilidades regionais. O desempenho em campos amplos de temperatura pode não se traduzir em previsões igualmente úteis para extremos de precipitação.

A precipitação é especialmente difícil porque varia muito em curtas distâncias. O relevo local, a convecção e o transporte de umidade complicam as previsões com semanas de antecedência.

A avaliação da Nature usa uma grade global com células que abrangem 1,5 grau de latitude e longitude. Essa escala é útil para anomalias amplas, não para o clima em nível de bairro.

Seus principais alvos são médias ou totais semanais. Esses alvos podem apoiar o planejamento, mas diferem de previsões para uma tempestade específica em um dia específico.

A avaliação histórica do artigo também depende da reanálise ERA5 como referência. A reanálise combina observações com modelagem para criar um registro global consistente.

Esse conjunto de dados é amplamente utilizado, mas não é idêntico a todas as redes locais de observação. Medições escassas podem introduzir incerteza adicional em algumas regiões.

Os pesquisadores abordaram outra fragilidade comum por meio de competição em tempo real. Os resultados do MicroDuet não se limitaram a um teste retrospectivo selecionado após os desfechos se tornarem conhecidos.

Ainda assim, um ano é um histórico operacional curto. Eventos raros exigem uma avaliação mais longa, pois as falhas mais consequentes ocorrem com pouca frequência.

A história da previsão meteorológica com PBC da Microsoft também inclui exemplos marcantes de tempestades. A Microsoft afirma que o MicroDuet antecipou duas grandes tempestades de inverno nos Estados Unidos com 19 a 26 dias de antecedência.

Esses casos ajudam a explicar o potencial do framework. Eles não devem ser tratados como prova de que o PBC prevê consistentemente tempestades individuais com esse prazo de antecedência.

Previsões com semanas de antecedência geralmente identificam uma probabilidade elevada de uma anomalia ampla. Elas não se assemelham à trajetória detalhada de uma tempestade mostrada mais perto do impacto em terra.

A afirmação da Microsoft de que o PBC dobrou a habilidade do AIFS-SUBS exige contexto semelhante. O artigo relata que o sistema corrigido dobrou um RPSS médio de 0,03.

Essa melhora é estatisticamente significativa dentro do estudo. No entanto, a pontuação inicial era modesta, e a utilidade da previsão depende dos custos e limiares de cada decisão.

Uma resposta de especialista independente publicada pelo Science Media Centre da Espanha destacou essa distinção. Dobrar uma habilidade limitada não produz automaticamente uma previsão operacional útil.

Essa cautela não invalida o PBC. Ela identifica o próximo padrão que a Microsoft e as agências de previsão precisam atingir.

Os usuários precisam de diagramas de confiabilidade, recortes regionais e desempenho durante eventos de alto impacto. Também precisam de comparações com as previsões já usadas em decisões reais.

Alarmes falsos têm custos. Um agricultor que altera seus planos de plantio com base em uma previsão pode perder renda se as condições previstas nunca ocorrerem.

Eventos não previstos também importam. Agências de emergência podem superestimar o valor de um sistema se pontuações médias fortes ocultarem um desempenho fraco em extremos perigosos.

O design do PBC é transparente o suficiente para sustentar esse escrutínio. O artigo explica as entradas, os alvos de avaliação e os modelos componentes.

A disponibilização de seu código cria outro caminho para testes independentes. Pesquisadores podem alterar regiões, observações, variáveis e faixas de probabilidade sem depender da interface de produto da Microsoft.

Isso é mais valioso do que uma afirmação ampla de precisão superior. A replicação mostrará onde o framework funciona bem e onde precisa de adaptação local.

A Estação Chuvosa do Quênia É o Teste Prático

O PBC ganha significado quando probabilidades calibradas mudam uma decisão, não quando apenas melhoram uma pontuação global.

A Microsoft e seus parceiros estão testando o framework com o serviço meteorológico nacional do Quênia. O trabalho se concentra em previsões durante uma das duas estações chuvosas do país.

Muitas pequenas propriedades rurais da região dependem diretamente da chuva. A irrigação é limitada, o que torna as decisões de plantio e fertilização sensíveis às condições esperadas.

Os agricultores precisam decidir quais sementes comprar e quando plantar. Também precisam ponderar os riscos de períodos secos, chuva forte e aguaceiros prejudiciais.

Essas escolhas correspondem aos pontos fortes das previsões meteorológicas probabilísticas subsezonais. Uma distribuição semanal de probabilidades pode orientar o planejamento sem prometer um resultado diário exato.

A Rhiza Research, uma organização sem fins lucrativos que trabalha com previsão meteorológica por IA, apoia o esforço. Ela colabora com meteorologistas quenianos e grupos de pesquisa nos Estados Unidos e na Alemanha.

A Microsoft afirma que o PBC está ajudando a equipe a avaliar probabilidades de chuva excepcionalmente intensa ou excepcionalmente fraca. Os meteorologistas então usam esses resultados ao preparar atualizações semanais.

Phillip Okello, meteorologista principal do serviço meteorológico do Quênia, descreveu a diferença em termos concretos. Ele disse que os métodos convencionais ajustam principalmente as quantidades previstas de chuva.

O PBC, por sua vez, corrige as próprias probabilidades. Segundo Okello, ele melhorou as previsões em toda a região do Grande Chifre da África mais do que outros métodos testados.

Sua próxima prioridade também expõe a lacuna restante. As previsões precisam se tornar mais precisas para chuvas fortes e períodos secos, porque esses resultados são os mais importantes para os agricultores.

Essa declaração é mais informativa do que um endosso geral. Ela reconhece uma melhora significativa ao mesmo tempo que identifica os alvos não resolvidos mais difíceis.

O canal de comunicação de uma previsão importa tanto quanto a pontuação do modelo. As probabilidades precisam chegar aos usuários cedo, em uma linguagem que entendam, com orientação ligada a escolhas reais.

Uma previsão de cinco semanas tem pouco valor quando é entregue após a compra das sementes. Uma probabilidade tecnicamente precisa também pode falhar quando os usuários a interpretam como certeza.

É nesse ponto que o argumento de custo se torna relevante. A Microsoft apresenta o PBC como um framework computacionalmente eficiente que se baseia em resultados de previsão existentes.

O repositório público afirma que uma demonstração pode ser executada rapidamente em hardware convencional de pesquisa. Esse exemplo não mede o custo total de um serviço operacional de previsão.

As organizações ainda precisam baixar dados, manter pipelines, validar previsões e comunicá-las com responsabilidade. Esses custos operacionais podem exceder os requisitos computacionais do modelo de correção.

Ainda assim, o design leve pode ampliar o acesso. Um serviço nacional pode adaptar o PBC sem treinar do zero um modelo global de IA meteorológica.

A adaptação local também dá mais controle aos meteorologistas. Eles podem otimizar com base em observações e erros relevantes em seu próprio território.

Esse modelo de adoção difere da compra de um produto acabado de previsão global. Ele trata as agências locais como parceiras técnicas, e não como receptoras passivas.

A Microsoft também tem uma rota comercial. Seu próprio modelo subseasonal-to-seasonal fornece orientação probabilística semanal com alcance de até seis semanas.

A empresa afirma que esse modelo opera em tempo real e está entrando em prévia privada com clientes selecionados. O Microsoft Weather já fornece previsões em vários produtos da Microsoft.

Isso cria uma tensão útil entre pesquisa aberta e entrega comercial. O código do PBC é público, enquanto um serviço operacional completo inclui dados proprietários, infraestrutura e suporte.

A implantação independente mostrará quanto valor reside no próprio framework. A adoção comercial testará se as organizações confiarão nele para planejamento de consequências relevantes.

O piloto no Quênia, portanto, é mais do que uma demonstração. Ele pergunta se uma calibração melhorada resiste ao contato com dados escassos, extremos locais e tomada de decisão humana.

O Que Observar a Seguir nas Previsões de Duas a Seis Semanas

As próximas evidências devem vir de replicação independente, desempenho em eventos extremos e uso operacional contínuo.

O primeiro sinal é a replicação fora da rede de pesquisa da Microsoft. Agências de previsão e equipes universitárias agora podem executar o código publicado em seus próprios arquivos históricos.

Os pesquisadores devem relatar tanto sucessos quanto falhas. Comparações regionais revelarão se os ganhos permanecem amplos em diferentes climas e sistemas de observação.

Os testes mais persuasivos usarão datas reservadas e previsões em tempo real. Esse design limita a oportunidade de ajustar o framework após observar o clima.

Os resultados também devem comparar o PBC com o processo atual de correção de viés de cada organização. Superar um modelo não corrigido é útil, mas a correção de viés operacional é a referência mais forte.

Ganhos independentes consistentes reforçariam o argumento central da Microsoft. Resultados regionais mistos sugeririam que o PBC exige mais ajuste local do que seu design amplo indica.

O segundo sinal é a habilidade em eventos extremos. Pontuações médias de temperatura, pressão e precipitação não podem representar plenamente os riscos enfrentados por agricultores e gestores de emergência.

Os avaliadores devem separar anomalias comuns de extremos perigosos. Devem medir chuva intensa, seca persistente, frio severo e calor prolongado.

Esses estudos precisam relatar alarmes falsos ao lado dos alertas bem-sucedidos. Um sistema que detecta mais ameaças ao elevar constantemente as probabilidades pode criar pouco valor prático.

O prazo de antecedência também exige tratamento cuidadoso. Um sinal útil na terceira semana pode desaparecer na quarta, enquanto diferentes variáveis podem se degradar em ritmos distintos.

A previsão meteorológica com Microsoft PBC será mais consequente se melhorar as probabilidades de eventos raros sem destruir a calibração. Esse padrão é mais difícil do que elevar uma pontuação média global.

O terceiro sinal é a adoção operacional sustentada. A prévia privada da Microsoft mostrará se os setores de energia, agricultura, logística e órgãos públicos conseguem incorporar o resultado às decisões rotineiras.

A adoção não deve ser medida apenas por anúncios de clientes. A evidência mais forte será o uso repetido, a verificação documentada das previsões e decisões vinculadas a limiares de probabilidade definidos.

O Quênia oferece um teste inicial dessa progressão. Os meteorologistas já estão avaliando o PBC durante uma estação chuvosa em curso e identificando onde suas previsões precisam de maior precisão.

A competição contínua do ECMWF oferece outro teste público. O MicroDuet precisa manter sua posição à medida que novas equipes, novos modelos de IA e períodos adicionais de previsão entram no benchmark.

Os concorrentes também adotarão ideias semelhantes de pós-processamento. Se a correção se tornar padrão, o PBC poderá influenciar a previsão mesmo que outra implementação eventualmente tenha desempenho melhor.

Esse resultado confirmaria a mudança estratégica por trás do lançamento da Microsoft. A disputa mais importante deixaria de ser física contra IA ou Microsoft contra Google.

Ela se tornaria uma disputa em torno de sistemas completos de previsão. Esses sistemas combinam observações, modelos dinâmicos, modelos aprendidos, camadas de calibração e comunicação especializada.

Por isso, os leitores devem evitar conclusões fáceis de ambos os lados. O PBC não resolveu a imprevisibilidade fundamental que limita as previsões meteorológicas de longo prazo.

Ele produziu evidências revisadas por pares e reproduzíveis de que os modelos existentes deixam informações corrigíveis de lado. Seus resultados em competição em tempo real tornam essas evidências mais difíceis de ignorar.

A próxima questão é prática: quais decisões melhoram quando essas probabilidades chegam às pessoas de duas a seis semanas antes da chegada do tempo?

Pesquisadores podem testar o código em arquivos locais. Provedores de previsão podem publicar resultados regionais e de eventos extremos. Tomadores de decisão podem definir qual nível de precisão justificaria uma ação.

Esse processo determinará se a previsão meteorológica Microsoft PBC se tornará uma camada operacional amplamente utilizada ou permanecerá uma referência de pesquisa impressionante.