Naujausi dirbtinio intelekto pasiekimai atveria visiškai naujas galimybes orų prognozavimo srityje. Revoliucinis „Google DeepMind“ dirbtinio intelekto modelis „GenCast“ gerokai pranoksta iki šiol taikytus tiksliausius metodus ir į prognozes žvelgia kitaip nei kiti panašūs modeliai. Kaip ši technologija veikia ir kokią naudą ji gali mums atnešti?
„GenCast“ – tai novatoriškas dirbtinio intelekto modelis, kuris bandymų metu parodė didesnį tikslumą nei Europos vidutinės trukmės orų prognozių centro ENS sistema, kuri laikoma šios srities lydere.
Praktiškai „GenCast“ gali prognozuoti orų pokyčius iki 20 proc. tiksliau nei ENS, analizuodama tiek kasdienes oro sąlygas, tiek ekstremalius orų reiškinius, įskaitant uraganus ir atogrąžų ciklonus. Lyginant rezultatus su faktiniais duomenimis, modelis pasiekė 97 proc. prognozavimo tikslumą.
Be to, modelis tiksliau prognozuoja ekstremalių orų reiškinių trajektorijas, o tai labai svarbu civilinės saugos ir ekstremalių situacijų planavimui. „GenCast„ įveikta ENS yra lūžio taškas orų prognozėms skirto dirbtinio intelekto kūrime“, – sakė „Google DeepMind“ mokslininkas Ilanas Price’as.
Kaip veikia „GenCast“?
Tradicinės prognozės grindžiamos sudėtingais matematiniais modeliais, kuriems reikia šimtų tūkstančių procesorių ir daugybės valandų superkompiuterių. „GenCast“ veikia visai kitaip. Modelis mokėsi iš 40 metų orų duomenų, analizuodamas daugybę kintamųjų, visų pirma vėjo greitį, temperatūrą, slėgį ar drėgmę, nors, žinoma, jų buvo kur kas daugiau. Dėl to jis išmoko puikiai prognozuoti, kaip keičiasi atmosferos sąlygos skirtingose Žemės vietose.
„GenCast“ taip pat išsiskiria savo greičiu – 15 dienų prognozei sukurti naudojant vieną TPU „Google Cloud“ sistemoje prireikia vos aštuonių minučių. Palyginti su tradiciniais metodais, tai gerokai didesnis greitis.
Be to, „Google“ modelis generuoja prognozes, nurodydamas įvairių orų scenarijų tikimybę, todėl prognozes galima pritaikyti universaliau.
Modelyje neapsieita be problemų
Nors „GenCast“ yra novatoriška technologija, ji nėra be apribojimų. Modelis vis dar grindžiamas istoriniais duomenimis, kurie gali būti ne visiškai tinkami atsižvelgiant į sparčiai besikeičiantį klimatą. Reitingo universiteto profesorė Sarah Dance taip pat atkreipia dėmesį į tai, kad sunku atspindėti vadinamąjį „drugelio efektą“, t. y. greitų, sparčiai didėjančių prognozių neapibrėžtumų kaskadą.
Papildomas iššūkis – atmosferos kintamieji, kurie ne visada tiesiogiai stebimi ir matuojami. Kad užpildytų šias spragas, „GenCast“ mokymui naudoja istorinius duomenis, praturtintus fizikiniais modeliavimais, kurie, nors ir nėra tokie tikslūs kaip tikrieji matavimai, gerai pasiteisino kaip mokymosi duomenys, kaip matyti iš modelio rezultatų.
Ar dirbtinis intelektas pakeis meteorologus?
Nepaisant įspūdingų „GenCast“ modelio rezultatų, žmonių vaidmuo prognozuojant orus vis dar yra neįkainojamas. Kaip pastebi Aaronas Hillas, meteorologai gali „sujungti taškus“ iš įvairių duomenų ir, remdamiesi savo žiniomis, priimti svarbius sprendimus. Nors dirbtinis intelektas yra labai naudingas ir greitas, šiuo metu jis negali visiškai pakeisti žmogaus intuicijos ir patirties. Jis veikiau laikomas priemone, padedančia žmogui dirbti.
