Badanie opublikowane w czasopiśmie Science wykazało, że model sztucznej inteligencji jest dokładniejszy w przypadku prognoz codziennych pogody i zdarzeń ekstremalnych, takich jak huragany oraz intensywne upały i zimno.

Jego znakomita wydajność i obiecujące wyniki innych modeli sztucznej inteligencji, takich jak ten, mogą oznaczać początek nowej ery przewidywania pogody, chociaż eksperci twierdzą, że nie oznacza to, że sztuczna inteligencja jest gotowa zastąpić wszystkie tradycyjne metody prognozowania.

Model sztucznej inteligencji Google DeepMind o nazwie „GraphCast” został przeszkolony na podstawie danych historycznych zgromadzonych przez prawie 40 lat i może tworzyć 10-dniową prognozę w odstępach sześciogodzinnych dla lokalizacji rozsianych po całym świecie w mniej niż minutę na komputerze wielkości małe pudełko. Aby osiągnąć ten sam efekt, tradycyjny model potrzebuje godziny lub więcej na superkomputerze wielkości autobusu szkolnego. GraphCast był o około 10 procent dokładniejszy niż model europejski w przypadku ponad 90 procent ocenianych zmiennych pogodowych.

Wyniki badania są podobne do tych, które można znaleźć w artykule naukowym opublikowanym w sierpniu w internetowej bazie danych arXiv.

„Konkurowanie z prawdopodobnie najlepszym światowym systemem przewidywania, jeśli nie prześciganie go, jest zdumiewające” – powiedział w e-mailu Aaron Hill, główny twórca systemu przewidywania opartego na uczeniu maszynowym na Uniwersytecie Stanowym w Kolorado. „Możesz bezpiecznie dodać GraphCast do rosnącej listy modeli prognoz pogody opartych na sztucznej inteligencji, które powinny podlegać ciągłej ocenie pod kątem ich zastosowania w przemyśle, badaniach i prognozowaniu operacyjnym”.

Modele pogody oparte na sztucznej inteligencji przyciągają coraz większą uwagę rządowych agencji pogodowych ze względu na ich szybkość, wydajność i potencjalne oszczędności.

Tradycyjne modele pogody, takie jak „europejski”, obsługiwane przez Europejskie Centrum Prognoz Średnioterminowych (ECMWF) w Reading w Wielkiej Brytanii, oraz „Amerykanin” z Narodowej Administracji Oceanicznej i Atmosferycznej sporządzają prognozy w oparciu o złożone równania matematyczne. Modele takie stanowią podstawę prognoz i ostrzeżeń ratujących życie na całym świecie, są jednak drogie w utrzymaniu, ponieważ wymagają ogromnej mocy obliczeniowej.

Modele AI wykorzystują inne podejście. Najpierw są szkoleni w zakresie rozpoznawania wzorców w ogromnych ilościach historycznych danych pogodowych, a następnie generują prognozy na podstawie bieżących warunków i stosowania tego, czego nauczyli się na podstawie wzorców historycznych. Proces ten jest znacznie mniej intensywny obliczeniowo i na znacznie mniejszych komputerach można go ukończyć w ciągu kilku minut lub nawet sekund.

Kluczową zaletą modeli AI jest możliwość uczenia się na podstawie rosnących archiwów danych pogodowych z przeszłości. „Ma to potencjał poprawy dokładności prognoz poprzez uchwycenie w danych wzorców i skal, których nie można łatwo przedstawić w jednoznacznych równaniach” – napisali w badaniu autorzy, którzy opracowali model.

Wydajność programu GraphCast oceniano w porównaniu z modelem europejskim nie tylko pod kątem indywidualnych zmiennych pogodowych, takich jak temperatura, wiatr i ciśnienie, ale także w zakresie prognozowania zdarzeń ekstremalnych, w tym cyklonów tropikalnych, rzek atmosferycznych, fal upałów i trzasków chłodniczych.

Naukowcy wyrazili obawy co do zdolności sztucznej inteligencji do dokładnego prognozowania ekstremalnych warunków pogodowych, po części dlatego, że w przeszłości stosunkowo niewiele było takich zdarzeń, z których można wyciągnąć wnioski. Jednak GraphCast zmniejszył błędy śledzenia prognoz cyklonów o około 16 do 25 mil w czasie realizacji wynoszącym od dwóch do czterech dni, poprawił prognozy pary wodnej związanej z rzekami atmosferycznymi o 10 do 25 procent i zapewnił dokładniejsze prognozy ekstremalnych upałów i mrozów od pięciu do czterech 10 dni przed czasem.

„Konwencjonalna mądrość mówiłaby o używaniu [AI] może nie działać tak dobrze w przypadku rzadkich, niezwykłych rzeczy. Wydaje się jednak, że pod tym względem radzi sobie dobrze” – powiedział w wywiadzie Peter Battaglia, dyrektor ds. badań w Google DeepMind i jeden ze współautorów badania. „Uważamy, że wskazuje to również na fakt, że model oddaje coś bardziej fundamentalnego na temat faktycznej ewolucji pogody w czasie, a nie tylko szuka w danych bardziej powierzchownych wzorców”.

Hill ostrzega, że ​​chociaż badanie „utwierdza pogląd, że w przypadku większości zdarzeń można sporządzić umiejętne prognozy”, jego wyniki nie eliminują pytań o skuteczność sztucznej inteligencji w przewidywaniu ekstremalnych zdarzeń. „Badanie opisuje dość szerokie, zagregowane statystyki dotyczące umiejętności prognozowania ekstremalnych warunków pogodowych, które sygnalizują, jak dobrze model radzi sobie w przypadku wielu zdarzeń, ale niekoniecznie dostarczają szczegółowych informacji na temat jego zachowania w przypadku pojedynczego ekstremalnego zdarzenia” – powiedział.

Zanim modele sztucznej inteligencji, takie jak GraphCast, będą mogły być niezawodnie wykorzystywane w prognozowaniu operacyjnym, pozostają jeszcze inne wyzwania. Na przykład ze względu na ograniczenia w danych szkoleniowych i ograniczenia inżynieryjne globalne modele sztucznej inteligencji nie są jeszcze w stanie generować prognoz dla tak wielu parametrów ani tak szczegółowych, jak te z tradycyjnych modeli. To sprawia, że ​​modele sztucznej inteligencji są mniej przydatne do przewidywania zjawisk na mniejszą skalę, takich jak burze i gwałtowne powodzie, lub większych systemów pogodowych, które mogą powodować duże różnice w ilości opadów na małych dystansach.

Meteorolodzy muszą także nauczyć się ufać modelom sztucznej inteligencji, których wewnętrzne działanie jest mniej przejrzyste niż w przypadku tradycyjnych modeli.

„Kluczową rolą prognostów jest interpretowanie i przekazywanie informacji partnerom, co jest zadaniem trudniejszym ze względu na brak narzędzi pozwalających określić, dlaczego model sztucznej inteligencji tworzy prognozę, a nie inną” – Jacob Radford, badacz wizualizacji danych w Cooperative Institute for Badania atmosfery na Uniwersytecie Stanowym w Kolorado, napisano w e-mailu. „Modele te są wciąż w powijakach i zanim rozważy się ich wykorzystanie operacyjne, należy jeszcze zbudować zaufanie zarówno w społeczności badawczej, jak i prognostycznej”.

Czy powinniśmy ufać sztucznej inteligencji w przewidywaniu klęsk żywiołowych?

Większość ekspertów, w tym autorzy badania, zgadza się, że tradycyjne modele nie zostaną wkrótce zastąpione modelami sztucznej inteligencji, które w dalszym ciągu zależą od starszych modeli w zakresie dostarczania danych szkoleniowych i generowania bieżących warunków, na podstawie których ustalają prognozę .

„Naszego podejścia nie należy postrzegać jako zamiennika tradycyjnych metod prognozowania pogody, które są opracowywane od dziesięcioleci, rygorystycznie testowane w wielu rzeczywistych kontekstach i oferują wiele funkcji, których jeszcze nie odkryliśmy” – napisali autorzy. „Naszą pracę należy raczej interpretować jako dowód na to [AI weather prediction] jest w stanie sprostać wyzwaniom związanym z prognozowaniem w świecie rzeczywistym i ma potencjał do uzupełnienia i udoskonalenia obecnie najlepszych metod.

Najnowsze postępy w prognozowaniu pogody poprzez sztuczną inteligencję

W ciągu ostatnich dwóch lat duże firmy technologiczne, w tym Google, Microsoft, Nvidia i chiński Huawei, poczyniły szybkie postępy w modelowaniu pogody za pomocą sztucznej inteligencji. Wszystkie cztery firmy opublikowały artykuły akademickie, w których twierdzą, że ich globalne modele sztucznej inteligencji działają co najmniej tak dobrze, jak model europejski. Twierdzenia te zostały niedawno potwierdzone przez naukowców z ECMWF.

We wrześniu modele sztucznej inteligencji opracowane przez Google, Nvidię i Huawei ustaliły prognozę toru huraganu Lee z tygodniowym wyprzedzeniem. Lee szybko nasilił się, przekształcając się w huragan 5. kategorii na Oceanie Atlantyckim na wschód od Karaibów, następnie osłabł, zanim ostatecznie dotarł na ląd w Nowej Szkocji z siłą porównywalną do burzy tropikalnej.

ECMWF zaczęło publikować prognozy ze wszystkich trzech modeli na swojej stronie internetowej zaledwie dzień po tym, jak Lee po raz pierwszy przekształcił się w burzę tropikalną. Według Radforda stowarzyszony z NOAA Spółdzielczy Instytut Badań Atmosfery na Uniwersytecie Stanowym w Kolorado uruchomi podobną stronę internetową na początku grudnia.

Tymczasem brytyjskie Biuro Meteorologiczne ogłosiło niedawno nawiązanie współpracy z badaczami z Instytutu Alana Turinga w Wielkiej Brytanii w celu opracowania modeli prognostycznych sztucznej inteligencji „w celu ulepszenia prognozowania niektórych ekstremalnych zdarzeń pogodowych, takich jak wyjątkowe opady deszczu lub potężne burze, z jeszcze większą dokładnością” – – podało w oświadczeniu Met Office.

Na początku tego miesiąca Google ogłosiło kolejny model sztucznej inteligencji, który może tworzyć bardziej zlokalizowane prognozy opadów, temperatury i innych parametrów z dokładnością do 24 godzin, wykorzystując jako punkt wyjścia bezpośrednie obserwacje z czujników pogodowych.

Oprócz modelowania sztuczną inteligencję wykorzystuje się również do usprawnienia komunikacji i interpretacji prognoz pogody. W zeszłym miesiącu NOAA ogłosiła, że ​​wykorzystuje sztuczną inteligencję do automatyzacji tłumaczenia prognoz pogody na hiszpański i chiński oraz że w przyszłości pojawią się dodatkowe języki, natomiast prywatna firma pogodowa Tomorrow.io opracowała asystenta AI o nazwie „Gale”, który pomaga klientom biznesowym interpretować pogodę prognozy dla konkretnych przypadków użycia.