Przełom w prognozowaniu pogody. Sztuczna inteligencja w 99 proc. przypadków skuteczniejsza niż tradycyjne modele
Prognozowanie pogody to niezwykle ważne i ogromnie zasobożerne zadanie, którego rezultaty mają wpływ w zasadzie na każdy aspekt ludzkiej działalności. Naukowcy zatrudnieni w należącej do Google DeepMind twierdzą, że właśnie dokonali rewolucji w tym obszarze, dzięki czemu prognozy są skuteczniejsze niż w przypadku tradycyjnych modeli fizycznych.
Prognozowanie pogody na nowo
Niewielu z nas na co dzień zastanawia się nad tym, jak ogromne znaczenie ma prognozowanie pogody. W codziennym życiu ograniczamy się do tego, by sprawdzić, czy jutro będzie zimno lub deszczowe, czy też nie. Zapominamy, że skuteczne prognozowanie pogody to być albo nie być dla ogromnych przedsięwzięć, całych gałęzi gospodarki czy bezpiecznego transportu.
Problem z przewidywaniem pogody jest taki, że jest ono trudne i zasobożerne. Wymaga ogromnej infrastruktury złożonej z satelitów i ogromnej liczby urządzeń zamontowanych na morzach i lądzie, z których dane są następnie przetwarzane przez najbardziej zaawansowane komputery na świecie. Tak przynajmniej dobywa się to aktualnie. Należąca do Google firma DeepMind przekonuje, że wkrótce może się to zmienić.
Dziura ozonowa jest największa od 23 lat. Dlaczego tym razem nie jest to powód do obaw?Większa skuteczność i szybsze prognozowanie
DeepMind znamy z prac nad najbardziej zaawansowanymi algorytmami, które m.in. prześcigają człowieka w grach w szachy, Go czy strategiczne gry komputerowe czasu rzeczywistego. Równolegle DeepMind pracuje też nad dużymi modelami językowymi oraz wieloma innymi rodzajami oprogramowania, które po sukcesie ChatGPT nieco na wyrost zaczęto nazywać sztuczną inteligencją.
Na łamach „Science” pracownicy DeepMind opublikowali artykuł, z którego dowiadujemy się, że firma wraz z pracownikami placówek naukowych opracowała „sztuczną inteligencję” o zastosowaniach związanych z prognozowaniem pogody. Ma ona nie tylko porzucać tradycyjny paradygmat bazujący na prognozach numerycznych i modelach fizycznych, ale też wykazywać znacznie przewyższającą je skuteczność.
Niebywała skuteczność w prognozach 10-dniowych
Twórcy GraphCast, bo taką nazwę nosi nowy model bazujący na uczeniu maszynowym, był trenowany na danych pochodzących z okresu od 1979 do 2017 roku. Po ich przetworzeniu, opracowany algorytm posługujący się danymi sprzed sześciu godzin, mógł przewidywać warunki pogodowe, jakie wystąpią w ciągu kolejnych sześciu godzin. Następnie dokonano skalowania.
W ten sposób osiągnięto bieżący stan GraphCast, który na podstawie danych pochodzących z okresu od 2018 roku do dziś jest w stanie prognozować pogodę na kolejne 10 dni. Proces ten trwa zaledwie 10 minut, jest od tysiąca do 10 tys. razy szybszy niż modele fizyczne bazujące na prognozowaniu numerycznym i jest przy tym skuteczniejszy niż narzędzia HRES wykorzystywane dziś przez Europejskie Centrum Średnioterminowych Prognoz Pogody.
Jak działa GraphCast? Nie do końca wiadomo
Potwierdzają to przeprowadzone już testy. Jeśli chodzi o prognozowanie warunków pogodowych w troposferze (najniższa warstwa atmosfery), GraphCast był skuteczniejszy niż HRES w 99% z 12 tys. pomiarów. W przypadku pozostałych warstw atmosfery skuteczność GraphCasta spada, ale wciąż jest większa niż HRES w 90% przypadków. Mowa o złożonych analizach obejmujących 11 zmiennych, m.in. temperaturę powietrza czy prędkość wiatru.
Jest jednak za wcześnie, by wdrażać modele bazujące na uczeniu maszynowym zamiast modeli fizycznych. Zamiast tego DeepMind chce, by narzędzia takie jak GraphCast działały pomocniczo. Jednym z powodów tej ostrożności jest fakt, że naukowcy, inaczej niż ma to miejsce w przypadku prognozowania numerycznego i modeli fizycznych, nie do końca rozumieją, w jaki sposób działa proces decyzyjny GraphCast.
Źródło: nature.com
