A Microsoft kutatói szerint mesterséges tanulással (machine learning) sikerült megoldaniuk a hagyományos, fizikán alapuló és a új AI-időjárásmodellek egyik legnagyobb problémáját: azt, hogy előrejelzéseik két hétnél hosszabb távon megbízhatatlanná válnak. A Nature folyóiratban megjelent tanulmány szerint a vállalat új, költséghatékony módszere két–hat héttel előre is pontosabb előrejelzéseket tesz lehetővé, ami segíthet a gazdálkodóknak és a katasztrófavédelmi szerveknek a nagyobb biztonsággal történő tervezésben. A módszer lényege, hogy nem egy teljesen új, önálló időjárásmodellt hoztak létre, hanem gépi tanulással korrigálják a meglévő modellekben rejlő torzításokat – így az eszköz az erőforrásokkal szűkösen gazdálkodó meteorológiai intézmények számára is elérhetőbbé válik.
A fizikán alapú modellek a Föld légkörének bonyolult folyamatait próbálják szimulálni szuperszámítógépeken, míg a generatív AI modellek történelmi adatokban keresnek mintázatokat, és nagy teljesítményű GPU-kra támaszkodnak. A Microsoft Research New England vezető kutatója, Lester Mackey szerint az új eszköz akár CPU-n is futtatható, ami jelentős erőforrás-megtakarítást jelent. Mindkét megközelítés hasonló nehézségekbe ütközik, amikor két hétnél távolabbi időszakra próbál előrejelezni: a ritkán működő mérőállomások vagy a még nem teljesen értett légköri jelenségek miatti adathiányokat közelítésekkel töltik ki, és ezek a rendszeres torzítások az idő előrehaladtával halmozódó hibákká válnak, csökkentve az előrejelzések pontosságát.
A Microsoft által Probabilistic Bias Correction (PBC) névre keresztelt módszer gépi tanulással azonosítja és korrigálja a modellek szisztematikus torzításait. Mackey példaként az éghajlatváltozást említi: a fosszilis tüzelőanyagokból származó üvegházhatású gázok melegítik a bolygót, ám egy időjárásmodell a történelmi adatok alapján a mai valóságosnál hidegebb hőmérsékleteket jelezhet előre. A kutatók szerint a PBC a vezető fizikán alapú modell, az Európai Középtávú Időjárás-előrejelző Központ (ECMWF) modelljének pontosságát a csapadékcélok 98, a hőmérsékleti célok 92 százalékában javította, és megduplázta az ECMWF új AI-előrejelző rendszerének pontosságát is. A tanulmány megjelenése előtt az ECMWF már díjazta a szerzők PBC-vel kapcsolatos kutatását AI Weather Quest versenyén, Matthew Chantry, a központ gépi tanulásért felelős stratégiai vezetője pedig jó példának nevezte a közösség javát szolgáló új ötletek kidolgozására – hozzátéve, hogy az ötletek operatív folyamatokká alakítása mindig a legnagyobb kihívás.
A szerzők szerint a PBC különösen azért jelentős, mert könnyűsúlyú és könnyen betanítható, így nagy erőforrások nélkül dolgozó tudósok is hangolhatják helyi viszonyokra. Genevieve Flaspohler, a tanulmány egyik szerzője – aki a Microsoftnál gyakornokként dolgozott a PBC-n Mackey irányításával, és ma a Rhiza Research nonprofit szervezet ügyvezető igazgatója – elmondta, hogy a Gates Alapítvány támogatásával a kenyai meteorológiai szolgálattal együttműködve vizsgálják, segíthet-e az AI pontosabb korai figyelmeztetések eljuttatásában az emberekhez. A PBC az egyik olyan módszer, amelyet a rekordokat döntögető El Niño miatt várhatóan szélsőségesebb esős évszak előtt tesztelnek.
Ez a cikk a Neural News AI (V1) verziójával készült.
Forrás: https://www.theverge.com/science/1011127/ai-weather-forecast-microsoft.
A képet Igor Omilaev készítette, mely az Unsplash-on található.
