אחד המשתנים הקשים ביותר לחיזוי במזג האוויר הוא משקעים, שהם המקור העיקרי לאי-ודאות בחיזוי שיטפונות. עם זאת, מערכת הבינה המלאכותית החדשה הזו מגוגל מדלגת לחלוטין על חיזוי המשקעים ובמקום זאת מנסה לחזות שיטפונות מכל הדברים האחרים הידועים.

האתגר המרכזי הוא שהמדינות שזקוקות ביותר לחיזויי שיטפונות אלה הן לעתים קרובות המקומות שאין להם מספיק נתוני אימון עבור אלגוריתם הלמידה, מכיוון שאין להם את האמצעים לאסוף אותם. טכניקה חדשה זו עוזרת לשימוש מחדש בנתונים מארצות הברית ומדינות אחרות ולהחיל אותם על אזורים פחות מבוססים.

גוגל פיתחה גישה חדשנית לחיזוי מזג האוויר שעולה על הסימולציות המבוססות על פיזיקה המסורתיות. במקום להסתמך על מודלי מזג אוויר יקרים מבחינה חישובית, הם משתמשים במודלי בינה מלאכותית מבוססי הפצה כדי ליצור נתוני מזג אוויר סבירים מתצפיות היסטוריות.

ההבנה המרכזית היא שמודלי הפצה, המשמשים ליצירת תמונות מפקודות טקסט, ניתנים ליישום גם על נתוני מזג אוויר. מודלים אלה מתחילים מרעש אקראי ומשנים אותו בהדרגה לדפוסי מזג אוויר מציאותיים, תוך למידת העדינויות של אירועי מזג אוויר קיצוניים בתהליך.

גישה זו יש לה מספר יתרונות על פני השיטות המסורתיות. ראשית, היא דורשת הרבה פחות כוח חישובי, מכיוון שאינה צריכה להריץ סימולציות מזג אוויר מורכבות. שנית, היא יכולה לנצל מאגר נתונים הרבה גדול יותר של תצפיות מזג אוויר היסטוריות, מה שמאפשר לבינה המלאכותית ללמוד דפוסים מקיפים יותר.

קווי הפליטה של מטוסים, המכונים קונדנסציה, יכולים להשפיע באופן מדיד על טמפרטורת הכדור. בעוד שרק אחוז קטן מהקונדנסציה (כ-5%) יש להם השפעה ארוכת טווח, השפעה זו משמעותית. כדי להתמודד עם בעיה זו, חוקרים פיתחו סימולציה מבוססת בינה מלאכותית שיכולה לחזות אילו מטוסים באילו מסלולים צפויים ליצור קונדנסציה עמידה.

האתגר טמון בהבחנה מדויקת בין קונדנסציה לעננים סירוס הדומים להם. עם זאת, החוקרים מצאו דרך מהימנה להבחין בין השניים, מה שהופך את הבעיה ללמידה עבור מערכת הבינה המלאכותית.

כדי לבחון את יעילות הגישה הזו, החוקרים ערכו ניסוי עם חברת התעופה אמריקן איירליינס, שבו הציעו התאמות קלות של מסלולים בהתבסס על חיזויי הבינה המלאכותית. התוצאה הייתה קיטון של 54% ביצירת קונדנסציה המלכדת חום, עם עלייה של רק 0.3% בצריכת הדלק. השפעה נטו זו טובה פי 20 לסביבה מהגישה הנוכחית.