Qual è il tuo ruolo in Meteo Svizzera?
Lavoro presso Meteo Svizzera da oltre dieci anni. Inizialmente ho lavorato come meteorologo e successivamente sono passato alla ricerca e sviluppo. Oggi guido un team composto da data scientist e sviluppatori. Il nostro focus principale è sulla produzione automatizzata di dati e previsioni, come quelli visualizzati nell’app Meteo Svizzera. Questi dati sono ottimizzati appositamente per l’app e adattati localmente.
Quanto è importante l’intelligenza artificiale per Meteo Svizzera? E cosa trovi particolarmente entusiasmante in questo?
Il potenziale dell’intelligenza artificiale e del machine learning è enorme e noi siamo impegnati a sfruttarlo. Utilizziamo già alcuni strumenti. Ad esempio, le previsioni del vento locale nell’app mobile vengono create utilizzando l’apprendimento automatico e le reti neurali. In generale, analizziamo sistematicamente quali previsioni possono essere migliorate dall’intelligenza artificiale. Abbiamo un team dedicato per promuovere l’intelligenza artificiale. Coordina le attività in questo settore e ci mette in contatto con sviluppatori europei e globali.
Nel maggio 2024 Meteo Svizzera ha presentato ICON, un nuovo modello meteorologico supportato dal supercomputer «Alps». Di cosa si tratta?
ICON (Icosahedral non-idrostatic model framework) è un modello numerico di previsione meteorologica di nuova generazione e sostituisce il precedente modello COSMO (Consortium for Small-scale Modeling). Questi modelli calcolano lo stato futuro dell’atmosfera in Svizzera partendo da uno stato iniziale. Utilizzano dati di osservazione – come temperatura, pressione o vento – nonché informazioni provenienti dalle regioni vicine fornite dal modello europeo ECMWF (Centro europeo per le previsioni meteorologiche a medio termine).
Cosa rende ICON diversa dal modello precedente?
Molti aspetti sono stati migliorati, in particolare la rappresentazione fisica, per consentire previsioni più affidabili e dettagliate. ICON utilizza anche una griglia diversa – triangoli anziché quadrati – che si traduce in una migliore rappresentazione del terreno. Secondo i nostri confronti, ICON COSMO è superiore in quasi tutti i parametri meteorologici.
ICON utilizza l’intelligenza artificiale?
No, ICON non utilizza l’apprendimento automatico. È un modello spiegabile basato su leggi fisiche e, in misura minore, statistiche. Tuttavia, vorremmo provare a ricreare ICON utilizzando l’apprendimento automatico. Un emulatore di questo tipo richiederebbe molte meno risorse e sarebbe quindi molto più veloce. Con le stesse capacità di calcolo, potremmo eseguire il modello ogni ora o anche ogni mezz’ora, oppure eseguire più simulazioni contemporaneamente per produrre previsioni più precise.
Hai altri progetti nel campo dell’intelligenza artificiale?
Sì, molti. Un progetto mira a creare previsioni iperlocali. Mentre ICON prevede il tempo solo per ciascun punto della griglia (su scala chilometrica), addestriamo un modello di apprendimento automatico che consente previsioni più precise per località specifiche. Per fare ciò, utilizziamo i dati ICON e i dati misurati in luoghi specifici. Utilizziamo l’intelligenza artificiale anche per sviluppare prodotti specializzati, ad esempio per l’idrologia o gli eventi meteorologici estremi. Con il mio team, elaboriamo ulteriormente le previsioni ICON per perfezionarle o calibrarle, un processo noto come “post-elaborazione”.
Nell’elenco dei progetti AI della Rete di Competenze del CNAI per l’Intelligenza Artificiale vedo un progetto per la previsione degli impatti dei temporali. Di cosa si tratta esattamente?
L’applicazione “Coalition 4”, che utilizziamo attualmente, ha lo scopo di prevedere gli effetti dei temporali – come fulmini, grandine, forti piogge o vento – per le prossime ore. L’obiettivo è avvisare tempestivamente le persone in modo che possano adottare le misure appropriate. Questa applicazione potrebbe un giorno sostituire l’attuale sistema di Meteo Svizzera, che fornisce avvisi automatici di temporali a breve termine.
Quando e come deciderete se introdurre questa applicazione?
Confronteremo il nuovo sistema con quello attuale per un’intera stagione. La decisione dipende dai risultati, poiché gli avvertimenti sono un argomento molto delicato. Previsioni di buona qualità sono cruciali, soprattutto perché l’apprendimento automatico rende più difficile comprendere con precisione il comportamento del sistema.
Come decidere tra modelli predittivi classici e modelli di machine learning?
I modelli statistici sono meno complessi da utilizzare. I modelli di machine learning dipendono dai dati e pertanto devono essere riqualificati frequentemente. Ad esempio, con l’introduzione di ICON, abbiamo dovuto riqualificare tutti i modelli di machine learning che utilizzavano COSMO. I modelli fisici non cambiano e hanno anche il vantaggio di essere spiegabili. Essere in grado di spiegare ai clienti come si realizzano le previsioni a cui sono interessati contribuisce a rafforzare la loro fiducia, e questo è importante. Ecco perché confrontiamo sempre i nuovi modelli di machine learning con i modelli esistenti. C’è un’enorme pubblicità sull’intelligenza artificiale e, come tutte le pubblicità, c’è il rischio che venga utilizzata ovunque, anche in luoghi in cui non è né necessaria né utile.
Quali sono le sfide nello sviluppo di modelli di machine learning?
Si potrebbe pensare che per l’addestramento sia sufficiente fornire al modello tutti i dati e chiedergli di apprendere. Tuttavia, la realtà è completamente diversa. È necessario dedicare molto lavoro alla preparazione dei dati e alla selezione dei parametri di input per il modello. Bisogna prestare attenzione anche alla complessità del modello: un modello complesso richiede molti dati. Quando non ci sono dati sufficienti, c’è il rischio di overfitting: il modello si comporta molto bene con i dati di addestramento, ma generalizza male su dati mai visti prima. E poi c’è l’analisi dei parametri utilizzati dal modello addestrato. Ad esempio, se notiamo che il nostro modello che prevede gli effetti dei temporali non utilizza immagini radar per le sue previsioni, abbiamo un problema.
Tutto questo lavoro richiede data scientist esperti nel campo della meteorologia…
In effetti, questo lavoro con i dati e lo sviluppo di buoni modelli richiede una buona conoscenza della fisica. Se non capisci che hai a che fare con il vento qua e le precipitazioni là, non funziona.
I vostri progetti ML sono diventati più dinamici con il lancio del supercomputer Alps?
Non abbiamo aspettato che Alps si dedicasse al machine learning, ma la potenza di questa piattaforma ci consente di intraprendere progetti molto più ambiziosi. Per inciso, Meteo Svizzera ha contribuito alla definizione dei requisiti per la progettazione della macchina. Inoltre, il fatto di avere questo tipo di infrastruttura in Svizzera sviluppa una comunità internazionale e possiamo scambiare di più con ricercatori che lavorano su cose simili.
Quali strumenti utilizzano i tuoi team di data science?
Il machine learning richiede un ecosistema di strumenti più ampio rispetto ai classici metodi statistici. Stiamo costruendo una piattaforma MLOps basata in parte su Alps e in parte su AWS (Amazon Web Services). Questa infrastruttura richiede molti sforzi, poiché l’algoritmo stesso spesso costituisce solo una piccola parte rispetto ai processi circostanti. L’automazione è fondamentale per lavorare in modo efficiente. Fortunatamente esistono già molte soluzioni in questo ambito.
Qui potete anche leggere perché la mancanza di specifiche ostacola la migrazione al cloud di Meteo Svizzera.
