Το Graph Cast, όπως ονομάζεται το σύστημα, υπόσχεται μεσοπρόθεσμες μετεωρολογικές προβλέψεις πρωτοφανούς ακρίβειας. Σε μελέτη που δημοσιεύθηκε την περασμένη Τετάρτη στο περιοδικό «Science», το Graph Cast αποδείχθηκε ακριβέστερο και ταχύτερο από το χρυσό πρότυπο της βιομηχανίας για την προσομοίωση του καιρού, το High-Resolution Forecast (HRES). Το σύστημα προέβλεψε επίσης μελλοντικά ακραία καιρικά φαινόμενα.
Τον Σεπτέμβριο, το σύστημα προέβλεψε περίπου εννέα ημέρες νωρίτερα ότι ο τυφώνας Λι θα έπληττε στη Νέα Σκωτία. Αντίθετα, οι παραδοσιακές μέθοδοι προέβλεψαν ότι ο τυφώνας θα πλήξει τη Νέα Σκωτία μόνο έξι ημέρες νωρίτερα. Επίσης, παρείχαν λιγότερο συνεπείς προβλέψεις για τον χρόνο και τη θέση του τυφώνα. Το Graph Cast μπορεί να εντοπίσει επικίνδυνα καιρικά φαινόμενα χωρίς να έχει εκπαιδευτεί να το κάνει αυτό. Μετά την ενσωμάτωση ενός απλού ανιχνευτή κυκλώνων, το μοντέλο προέβλεψε τις κινήσεις των κυκλώνων με μεγαλύτερη ακρίβεια από τη μέθοδο HRES.
Τέτοια δεδομένα θα μπορούσαν να σώσουν ζωές. Καθώς το κλίμα γίνεται όλο και πιο ακραίο και απρόβλεπτο, οι γρήγορες και ακριβείς προβλέψεις θα παρέχουν όλο και πιο ζωτικής σημασίας πληροφορίες για την αντιμετώπιση των ακραίων καιρικών φαινομένων.
Ο Μάθιου Τσάντρι, συντονιστής μηχανικής μάθησης στο ECMWF, πιστεύει ότι ο κλάδος του έχει φτάσει σε ένα σημείο καμπής.
«Πιθανόν να πρέπει να γίνει περισσότερη δουλειά για τη δημιουργία αξιόπιστων επιχειρησιακών εργαλείων, αλλά αυτό είναι πιθανότατα η αρχή μιας επανάστασης», δήλωσε σε συνέντευξη Τύπου.
Οι μετεωρολογικοί οργανισμοί, πρόσθεσε, πίστευαν πως η τεχνητή νοημοσύνη θα ήταν πιο χρήσιμη αν συγχωνευόταν με τη φυσική. Αλλά οι πρόσφατες ανακαλύψεις δείχνουν πως η μηχανική μάθηση μπορεί επίσης να προβλέψει άμεσα τον καιρό.
ΠΩΣ ΛΕΙΤΟΥΡΓΕΙ ΤΟ GRAPHCAST
Οι συμβατικές προβλέψεις καιρού βασίζονται σε περίπλοκες εξισώσεις φυσικής. Αυτές προσαρμόζονται στη συνέχεια σε αλγορίθμους που εκτελούνται σε υπερυπολογιστές. Η διαδικασία αυτή είναι δύσκολη και απαιτεί εξειδικευμένες γνώσεις και τεράστιους υπολογιστικούς πόρους. Το Graph Cast αξιοποιεί μια διαφορετική τεχνική. Συνδυάζει τη μηχανική μάθηση με νευρωνικά δίκτυα γραφημάτων (GNN), μια αρχιτεκτονική που μπορεί να επεξεργαστεί χωρικά δομημένα δεδομένα.
Για να μάθει τις αιτίες και τα αποτελέσματα που καθορίζουν τις αλλαγές του καιρού, το σύστημα εκπαιδεύτηκε σε πληροφορίες καιρού δεκαετιών. Το ECMWF τροφοδότησε το Graph Cast με δεδομένα καιρού 40 ετών, τα οποία περιλάμβαναν δεδομένα από δορυφόρους, ραντάρ και μετεωρολογικούς σταθμούς.
Όταν υπάρχουν κενά στις παρατηρήσεις, οι μέθοδοι πρόβλεψης που βασίζονται στη φυσική τα συμπληρώνουν. Το αποτέλεσμα είναι ένα λεπτομερές ιστορικό του παγκόσμιου καιρού. Το Graph Cast χρησιμοποιεί τα δεδομένα για να προβλέψει το μέλλον.
Στις δοκιμές, τα αποτελέσματα ήταν εντυπωσιακά. Το Graph Cast ξεπέρασε σημαντικά τα πιο ακριβή επιχειρησιακά ντετερμινιστικά συστήματα στο 90% των 1.380 στόχων δοκιμής. Η διαφορά ήταν ακόμα πιο σημαντική στην τροπόσφαιρα – το χαμηλότερο στρώμα της γήινης ατμόσφαιρας και τη θέση των περισσότερων καιρικών φαινομένων. Σε αυτή την περιοχή, το Graph Cast ξεπέρασε το HRES στο 99,7% των μεταβλητών δοκιμής για τον μελλοντικό καιρό.
Το Graph Cast είναι επίσης εξαιρετικά αποδοτικό. Χρειάζεται λιγότερο από ένα λεπτό για να ολοκληρώσει μια πρόβλεψη σε ένα μόνο μηχάνημα Google TPU v4. Μια συμβατική προσέγγιση, συγκριτικά, μπορεί να απαιτήσει ώρες υπολογισμού σε έναν υπερυπολογιστή με εκατοντάδες μηχανές.
Ο ΡΟΛΟΣ ΤΗΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ
Παρά τα πολλά υποσχόμενα πρώιμα αποτελέσματα, το Graph Cast θα μπορούσε να βελτιωθεί περαιτέρω. Στις προβλέψεις κυκλώνων, για παράδειγμα, το μοντέλο αποδείχθηκε ακριβές στην παρακολούθηση των κινήσεων, αλλά λιγότερο αποτελεσματικό στη μέτρηση της έντασης.
«Προς το παρόν, αυτός είναι ένας τομέας όπου το Graph Cast και τα μοντέλα μηχανικής μάθησης εξακολουθούν να υστερούν λίγο σε σχέση με τα φυσικά μοντέλα. Είμαι αισιόδοξος ότι αυτό μπορεί να βελτιωθεί, αλλά δείχνει ότι πρόκειται ακόμη για μια τεχνολογία που βρίσκεται σε αρχικό στάδιο», δήλωσε ο Τσάντρι.
Αυτές οι βελτιώσεις θα μπορούσαν τώρα να προέλθουν από οπουδήποτε, αφού η Deep Mind διαθέτει πλέον το μοντέλο σε ανοιχτό κώδικα. Παγκόσμιοι οργανισμοί και ιδιώτες μπορούν τώρα να πειραματιστούν με το Graph Cast και να προσθέσουν τις δικές τους βελτιώσεις.
Οι πιθανές εφαρμογές είναι απρόβλεπτες. Οι προβλέψεις θα μπορούσαν, για παράδειγμα, να ενημερώσουν την παραγωγή ανανεώσιμων πηγών ενέργειας και τη δρομολόγηση της εναέριας κυκλοφορίας. Αλλά θα μπορούσαν επίσης να εφαρμοστούν σε τομείς που δεν φανταζόμαστε καν.
