Η Google DeepMind παρουσίασε ένα μοντέλο πρόβλεψης καιρού με τεχνητή νοημοσύνη που ξεπερνά τις παραδοσιακές μεθόδους σε προβλέψεις έως και 15 ημέρες και είναι καλύτερο στην πρόβλεψη ακραίων φαινομένων.
Το εργαλείο, γνωστό ως GenCast, μετρά την πιθανότητα πολλαπλών σεναρίων για να εκτιμήσει με ακρίβεια τις τάσεις από την παραγωγή αιολικής ενέργειας έως τις κινήσεις των τροπικών κυκλώνων. Η πιθανολογική τεχνική του GenCast αποτελεί ένα νέο ορόσημο στην ταχεία πρόοδο της χρήσης της τεχνητής νοημοσύνης για την τροφοδοσία καλύτερων και ταχύτερων καθημερινών προβλέψεων για τον καιρό, μια προσέγγιση που οι μεγάλοι παραδοσιακοί προγνώστες αγκαλιάζουν όλο και περισσότερο.
«[Αυτό] σηματοδοτεί κάτι σαν σημείο καμπής στην πρόοδο της τεχνητής νοημοσύνης για την πρόγνωση του καιρού, με τις κορυφαίες πρώτες προβλέψεις να προέρχονται πλέον από μοντέλα μηχανικής μάθησης», δήλωσε ο Ilan Price, ερευνητής στο Google DeepMind. «Το GenCast θα μπορούσε να ενσωματωθεί ως μέρος των επιχειρησιακών συστημάτων πρόγνωσης καιρού, προσφέροντας πολύτιμες πληροφορίες που θα βοηθήσουν τους υπεύθυνους λήψης αποφάσεων να κατανοήσουν καλύτερα και να προετοιμαστούν για τα επερχόμενα καιρικά φαινόμενα».
Η καινοτομία του GenCast σε σχέση με τα προηγούμενα μοντέλα μηχανικής μάθησης είναι η χρήση των λεγόμενων «ensemble» προβλέψεων που αντιπροσωπεύουν διαφορετικά αποτελέσματα, μια τεχνική που αναπτύσσεται στις σύγχρονες παραδοσιακές προβλέψεις. Το GenCast εκπαιδεύεται σε δεδομένα τεσσάρων δεκαετιών από το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προβλέψεων Καιρού (ECMWF).
Το μοντέλο ξεπέρασε την πρόβλεψη 15 ημερών του ECMWF στο 97,2% των 1.320 μεταβλητών, όπως η θερμοκρασία, η ταχύτητα του ανέμου και η υγρασία, σύμφωνα με έγγραφο που δημοσιεύθηκε στο Nature την Τετάρτη. Τα αποτελέσματα αποτελούν περαιτέρω βελτίωση της ακρίβειας και του πεδίου εφαρμογής του πρωτοποριακού μοντέλου GraphCast της Google DeepMind που παρουσιάστηκε πέρυσι. Το GraphCast ξεπέρασε τις προβλέψεις του ECMWF σε περίπου 90 τοις εκατό των μετρήσεων για προβλέψεις τριών έως 10 ημερών μπροστά.
Τα μοντέλα πρόβλεψης τεχνητής νοημοσύνης είναι συνήθως ταχύτερα και δυνητικά πιο αποτελεσματικά από τις συνήθεις μεθόδους πρόβλεψης, οι οποίες βασίζονται σε τεράστια υπολογιστική ισχύ για την επεξεργασία εξισώσεων που προέρχονται από την ατμοσφαιρική φυσική. Το GenCast μπορεί να δημιουργήσει την πρόβλεψή του σε μόλις οκτώ λεπτά, σε σύγκριση με τις ώρες για την παραδοσιακή πρόβλεψη – και με ένα κλάσμα των αναγκών ηλεκτρονικής επεξεργασίας.
Το μοντέλο GenCast θα μπορούσε να βελτιωθεί περαιτέρω σε τομείς όπως η ικανότητά του να προβλέπει την ένταση μεγάλων καταιγίδων, δήλωσαν οι ερευνητές. Η ανάλυση των δεδομένων του θα μπορούσε να αυξηθεί ώστε να ταιριάζει με τις αναβαθμίσεις που έγιναν φέτος από το ECMWF. Το ECMWF δήλωσε ότι η ανάπτυξη του GenCast αποτελεί «σημαντικό ορόσημο στην εξέλιξη της πρόγνωσης του καιρού». Είπε ότι είχε ενσωματώσει «βασικά στοιχεία» της προσέγγισης GenCast σε μια έκδοση του δικού του συστήματος πρόβλεψης τεχνητής νοημοσύνης, με ζωντανές προβλέψεις συνόλου διαθέσιμες από τον Ιούνιο.
Η καινοτόμος επιστήμη της μηχανικής μάθησης πίσω από το GenCast έπρεπε ακόμη να δοκιμαστεί σε ακραία καιρικά φαινόμενα, πρόσθεσε το ECMWF. Η ανάπτυξη του GenCast θα τροφοδοτήσει περαιτέρω τη συζήτηση σχετικά με το πόσο εκτεταμένα θα πρέπει να αναπτυχθεί η τεχνητή νοημοσύνη στην πρόγνωση, με πολλούς επιστήμονες να προτιμούν μια υβριδική τεχνική για ορισμένους σκοπούς.
Τον Ιούλιο, η Google παρουσίασε το μοντέλο NeuralGCM, το οποίο συνδυάζει τη μηχανική μάθηση και την παραδοσιακή φυσική για να επιτύχει καλύτερα αποτελέσματα από ό,τι η τεχνητή νοημοσύνη από μόνη της για μακροπρόθεσμες προβλέψεις και κλιματικές τάσεις.
«Υπάρχουν ανοιχτά ερωτήματα και συζητήσεις σχετικά με τη βέλτιστη ισορροπία μεταξύ της φυσικής και των συστημάτων πρόβλεψης με μηχανική μάθηση. Μια ευρεία επιστημονική κοινότητα, συμπεριλαμβανομένης [μας], διερευνά ενεργά αυτό το θέμα», δήλωσε το ECMWF.
Το Met Office του Ηνωμένου Βασιλείου, η εθνική μετεωρολογική υπηρεσία, ερευνά πώς να αξιοποιήσει τις «συναρπαστικές» εξελίξεις στα δικά του μοντέλα πρόβλεψης με βάση την τεχνητή νοημοσύνη, δήλωσε ο Steven Ramsdale, επικεφαλής προγνώστης με ευθύνη για την τεχνητή νοημοσύνη. «Υποστηρίζουμε ότι η μεγαλύτερη αξία προέρχεται από μια υβριδική προσέγγιση, που συνδυάζει την ανθρώπινη αξιολόγηση, τα παραδοσιακά μοντέλα που βασίζονται στη φυσική και την πρόγνωση του καιρού με βάση την ΤΝ», πρόσθεσε.
Τ.Σ.
στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
