La previsió meteorològica ha depès tradicionalment de xarxes de satèl·lits i de supercomputadors capaços de simular l'atmosfera sencera, una infraestructura tan costosa que només uns quants estats i agències internacionals se la poden permetre.
WindBorne Systems, una startup nord-americana, planteja una alternativa: recollir dades atmosfèriques amb globus meteorològics de llarga durada i sensors de baix cost, i fer-les servir per entrenar models de previsió propis basats en tècniques de deep learning, prou lleugers per executar-se en un ordinador portàtil en lloc d'un supercomputador. La companyia opera actualment uns 600 globus en l'aire de manera simultània des de 20 punts de llançament repartits pel món. Els seus clients inclouen el servei meteorològic nacional dels Estats Units, i col·labora en projectes de recerca amb la Força Aèria i la Marina nord-americanes, a més de fons d'inversió que fan servir les seves prediccions per anticipar l'evolució dels preus de matèries primeres agrícoles i energètiques. WindBorne va tancar una ronda sèrie B de 37 milions de dòlars amb una valoració posterior de 250 milions, liderada per Khosla Ventures i Galvanize, amb la participació de Translink Capital i Lux Capital. «Hem demostrat que afegir globus a la previsió en millora la precisió», ha declarat el conseller delegat de la companyia, John Dean, mentre que Saloni Multani, de Galvanize, ha destacat que «la IA facilita connectar les previsions meteorològiques amb les decisions empresarials».
La notícia és rellevant perquè il·lustra un ús de la intel·ligència artificial allunyat dels grans models de llenguatge que dominen l'actualitat: aplicar deep learning a dades de sensors físics de baix cost per democratitzar una capacitat —la previsió meteorològica d'alta precisió— fins ara reservada a grans agències estatals, amb aplicacions que van de la seguretat nacional a l'especulació financera sobre matèries primeres.
L'article no detalla amb quina antelació ni amb quina precisió exacta milloren les prediccions de WindBorne respecte als models meteorològics oficials més consolidats, ni quin percentatge dels seus ingressos prové de cada tipus de client. Tampoc queda clar fins a quin punt el seu model de negoci —vendre dades i prediccions a fons d'inversió— pot conviure sense friccions amb els seus contractes amb agències públiques nord-americanes.