Istraživači Google DeepMind-a su ove nedelje predstavili veoma precizan model predviđanja vremena zasnovan na veštačkoj inteligenciji za koji kažu da označava „prekretnicu u vremenskoj prognozi“.
U članku objavljenom u časopisu Nauka , Remi Lam, naučnik istraživač osoblja u DeepMind-u, rekao je da je njihov program brži i tačniji od trenutnih metoda predviđanja i da može precizno odrediti karakteristike kao što su vazdušni pritisak, temperatura, vlažnost i vetar do 10 dana unapred. .
Model, GraphCast, „značajno nadmašuje najtačnije operativne determinističke sisteme na 90% od 1.380 verifikacionih ciljeva“, rekao je Lam.
Osnova vremenske prognoze decenijama se oslanjala na formule NVP (Numeričko predviđanje vremena), složene jednačine zasnovane na fizici koje pokrivaju ogroman broj varijabli.
Taj pristup obuhvata podatke koje prikupljaju meteorološke stanice, sateliti i oprema zasnovana na okeanu kako bi se projektovale putanje globalnih tragova toplote, vazduha i pare. Dodatni inputi od stručnih analitičara i stalno ažuriranje algoritama doprinose preciznom rezultatu. Ali čak i sa superkompjuterima, ceo proces je dugotrajan, energetski intenzivan i skup.
DeepMind je poboljšao ovaj pristup obučavajući modele mašinskog učenja sa vremenskim podacima vrednim 39 godina. Ne uzimajući u obzir jednačine zasnovane na fizici, GraphCast-ova neuronska mreža obrađuje istorijske podatke brzinom od 1.000 do 10.000 većom od konvencionalnih sistema za predviđanje.
Na osnovu podataka iz 2018, na primer, GraphCast je generisao prognozu vremena do 10 dana unapred za manje od jednog minuta; konvencionalne metode bi zahtevale sate računanja. I GraphCast rezultati su bili daleko tačniji.
„U troposferi, koja je deo atmosfere najbliži površini koji najviše utiče na nas, GraphCast nadmašuje [konvencionalne sisteme] u više od 99% merenja“, rekao je Lam.
Slično je nadmašio konvencionalne alate na svim nivoima atmosfere u 90% predviđanja.
Prema kompjuterskom naučniku Aditiji Groveru sa Kalifornijskog univerziteta u Los Anđelesu, „GraphCast trenutno vodi trku među modelima veštačke inteligencije“.
Metju Čentri, iz Evropskog centra za srednjoročne vremenske prognoze, rekao je za Fajnenšel tajms da se vremenska prognoza veštačke inteligencije poboljšala „daleko ranije i impresivnije nego što smo očekivali pre dve godine“.
GraphCast ne radi bolje od trenutnih pristupa kada su u pitanju veoma lokalne prognoze, kao što je šansa za kišu u vašem kraju. Ali ističe se u vremenskim prilikama na većim područjima, kao što su tropski cikloni i neobične promene temperature.
„Naš pristup ne treba posmatrati kao zamenu za tradicionalne metode prognoze vremena“, rekao je Lam. „Radije, naš rad treba tumačiti kao dokaz da je [predviđanje vremena uz pomoć veštačke inteligencije] u stanju da odgovori na izazove problema predviđanja u stvarnom svetu i da ima potencijal da dopuni i poboljša trenutne najbolje metode.
Neko vreme vremenska prognoza — kako je možda rekao komičar Rodni Dengerfild — nije imala „nikakva poštovanja“. Kao što je jedan skeptik jednom rekao: „Problem sa vremenskom prognozom je u tome što je prečesto ispravno da je ignorišemo, a pogrešno da se oslanjamo na nju“.
Džordž Karlin se često rugao prognostičarima u svojim rutinama: „Dugometna vremenska prognoza: Postat će stvarno vruće, onda će postati stvarno hladno, a onda će ponovo postati stvarno vruće.
GraphCast se još uvek ne bavi 1.000, a ljudi se još uvek mogu podsmevati prognostičarima van baze, ali sa neverovatnom brzinom napretka u sistemima veštačke inteligencije, jedno predviđanje je sigurno: budućnost je svetla i jasna za predviđanje vremena pomoću veštačke inteligencije.
Naučni članak je naslovljen „Učenje veštog srednjeg dometa globalne vremenske prognoze“.
