Το επιστημονικό περιοδικό Science δημοσίευσε μια μελέτη που δείχνει πώς ένα μοντέλο τεχνητής νοημοσύνης της DeepMind (σ.σ. ανήκει στη Google) με την ονομασία GraphCast ξεπέρασε σημαντικά τις συμβατικές μεθόδους πρόγνωσης του καιρού στην πρόβλεψη των παγκόσμιων καιρικών συνθηκών έως και 10 ημέρες νωρίτερα. Το επίτευγμα υποδηλώνει ότι η μελλοντική πρόγνωση του καιρού μπορεί να γίνει πολύ πιο ακριβής στο κοντινό μέλλον.
Στη μελέτη, το GraphCast επέδειξε ανώτερες επιδόσεις σε σχέση με το κορυφαίο συμβατικό σύστημα στον κόσμο, το οποίο λειτουργεί από το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Μετεωρολογικών Προβλέψεων (ECMWF). Σε μια ολοκληρωμένη αξιολόγηση, το GraphCast ξεπέρασε το σύστημα του ECMWF στο 90% των 1.380 μετρήσεων, συμπεριλαμβανομένων της θερμοκρασίας, της πίεσης, της ταχύτητας και της κατεύθυνσης του ανέμου και της υγρασίας σε διάφορα ατμοσφαιρικά επίπεδα, και μάλιστα με πολύ μεγάλη ταχύτητα.
«Προβλέπει εκατοντάδες παραμέτρους του καιρού, σε διάστημα 10 ημερών με ανάλυση 0,25° σε παγκόσμιο επίπεδο, σε λιγότερο από ένα λεπτό», τονίζουν οι συγγραφείς στη μελέτη “Learning skillful medium-range global weather forecasting“. Αυτό σηματοδοτεί μια αξιοσημείωτη πρόοδο στην ταχύτητα και την ακρίβεια της Τεχνητής Νοημοσύνης στη μετεωρολογία.
Ο Matthew Chantry, συντονιστής μηχανικής μάθησης στο ECMWF, αναγνώρισε την ταχεία πρόοδο σε συνέντευξή του στους Financial Times, λέγοντας ότι ένα σύστημα Τεχνητής Νοημοσύνης στη μετεωρολογία έχει προοδεύσει «πολύ πιο γρήγορα και πιο εντυπωσιακά από ό,τι περιμέναμε ακόμη και πριν από δύο χρόνια».
Το GraphCast χρησιμοποιεί αυτό που οι ερευνητές αποκαλούν αρχιτεκτονική μηχανικής μάθησης μέσω «νευρωνικού δικτύου γραφημάτων», η οποία εκπαιδεύτηκε σε ιστορικά δεδομένα καιρού του ECMWF διάρκειας τεσσάρων δεκαετιών. Επεξεργάζεται τις τρέχουσες και τις προ εξαώρου παγκόσμιες ατμοσφαιρικές καταστάσεις, δημιουργώντας μια πρόβλεψη 10 ημερών σε περίπου ένα λεπτό σε έναν cloud υπολογιστή Google TPU v4. Η μέθοδος μηχανικής μάθησης της Google έρχεται σε αντίθεση με τις συμβατικές αριθμητικές μεθόδους πρόγνωσης του καιρού που βασίζονται σε υπερυπολογιστές για την επεξεργασία εξισώσεων που βασίζονται στη Φυσική της Ατμόσφαιρας, καταναλώνοντας σημαντικά περισσότερο χρόνο και ενέργεια.
Ο Chantry υπογράμμισε την αποτελεσματικότητα του GraphCast στους Financial Times, εκτιμώντας ότι είναι περίπου 1.000 φορές φθηνότερο από άποψη κατανάλωσης ενέργειας σε σύγκριση με τις παραδοσιακές μεθόδους. Παράδειγμα της επιτυχίας των προβλέψεών του ήταν η έλευση του τυφώνα Lee στη Nova Scotia κατά εννέα ημέρες νωρίτερα από το αναμενόμενο, και τρεις ημέρες νωρίτερα από τις παραδοσιακές προσεγγίσεις.
Παρά την πρόοδο, το GraphCast έχει ορισμένους περιορισμούς. Δεν ξεπέρασε τα συμβατικά μοντέλα σε όλα τα σενάρια, όπως η ξαφνική εντατικοποίηση του τυφώνα Otis, ο οποίος έπληξε το Ακαπούλκο σχεδόν απροειδοποίητα στις 25 Οκτωβρίου. Επίσης, λόγω τεχνολογικών περιορισμών, τα παγκόσμια μοντέλα Τεχνητής Νοημοσύνης δεν μπορούν ακόμη να προσφέρουν προβλέψεις τόσο λεπτομερείς όσο τα παραδοσιακά, με αποτέλεσμα να είναι πιο κατάλληλα για την εξέταση φαινομένων μικρότερης κλίμακας. Επίσης, υπάρχει ζήτημα αξιοπιστίας, καθώς οι μετεωρολόγοι δεν μπορούν ακόμη να κατανοήσουν ακριβώς γιατί δίνει αυτές τις προβλέψεις.
Εν τέλει, οι ερευνητές της DeepMind θεωρούν ότι η προσέγγισή τους με βάση την Τεχνητή Νοημοσύνη αποτελεί συμπλήρωμα των σημερινών τεχνικών πρόβλεψης του καιρού. «Η προσέγγισή μας δεν πρέπει να θεωρηθεί ως αντικατάσταση των παραδοσιακών μεθόδων πρόγνωσης καιρού, οι οποίες έχουν αναπτυχθεί εδώ και δεκαετίες, έχουν δοκιμαστεί διεξοδικά σε παγκόσμιο επίπεδο στον πραγματικό κόσμο και προσφέρουν πολλά χαρακτηριστικά που δεν έχουμε ακόμη διερευνήσει».
Με το βλέμμα προς το μέλλον, το ECMWF σχεδιάζει να αναπτύξει το δικό του μοντέλο Τεχνητής Νοημοσύνης και να διερευνήσει την ενσωμάτωσή του στο αριθμητικό σύστημα πρόγνωσης του καιρού. Το UK Met Office, σε συνεργασία με το Ινστιτούτο Alan Turing, αναπτύσσει επίσης ένα νευρωνικό δίκτυο γραφημάτων για την πρόγνωση του καιρού, το οποίο θα ενσωματωθεί στην υποδομή των υπερυπολογιστών του στο μέλλον.
[via]
*Ακολουθήστε το Techgear.gr στο Google News για να ενημερώνεστε άμεσα για όλα τα νέα άρθρα!
