Bár az AI egyelőre nem helyettesíti teljesen a hagyományos módszereket, jelentős hozzáadott értéket képvisel az időjárás előrejelzéséhez szükséges eszköztár bővítésében. Emellett segít a lakosság figyelmeztetésében a közelgő veszélyes viharokra. A GenCast olyan mesterséges intelligenciák közé tartozik, amelyek pontosabb előrejelzéseket tudnak biztosítani.
A GenCast pontosabb előrejelzéseket nyújthat
„Az időjárás mindenki életére hatással van, és az egyik legnagyobb tudományos kihívás előre jelezni azt” – nyilatkozta Ilan Price, a DeepMind vezető kutatója. „A Google DeepMind célkitűzése az emberiség javára fejleszteni az AI-t. Úgy vélem, ez egy jelentős hozzájárulás ebben a folyamatban.”
Price és csapata a GenCastot az ENS rendszerrel vetette össze, amely az ECMWF által működtetett világ élvonalbeli modelljeinek egyike. A friss kutatások szerint a GenCast az esetek 97,2 százalékában jobban teljesített az ENS rendszerénél, ezt a Nature folyóirat legújabb számában publikálták.
A GenCast egy gépi tanulásra épülő időjárás-előrejelző megoldás, amely az 1979-től 2018-ig tartó időjárási adatokat használta fel betanításához. A modell megtanulja azonosítani a mintákat több évtized történeti adataiból, és ezek alapján készít előrejelzéseket a közeljövő eseményeire vonatkozóan. Ez jelentős eltérést mutat a hagyományos modellekhez képest, mint például az ENS, melyek a légköri fizika szimulálására összetett egyenleteket használnak. Mind a GenCast, mind az ENS különféle forgatókönyvek sorát kínálja valószínűségi alapon.
Gyorsabb előrejelzések és fokozott hatékonyság
A GenCast például egy trópusi ciklon pályájának előrejelzésekor átlagosan 12 órával hosszabb távlatot tudott felvázolni. Általánosságban elmondható, hogy a GenCast pontosabb volt a ciklonok mozgásának, a szélsőséges időjárásnak és a szélenergia-termelés előrejelzésében, akár 15 nappal előre.
A modell valószínűségi előrejelzései, mint például a Typhoon Hagibis esetében, különféle lehetséges útvonalakat mutatnak, amelyek egyre pontosabbá válhatnak, ahogy a ciklon közeledik Japán partjaihoz.
Azonban figyelmeztetni kell arra, hogy a GenCast egy régebbi ENS verzióval vetette össze eredményeit, amely azóta részletesebb felbontással működik. A professzionális kutatás a GenCast és az ENS 2019-es előrejelzéseit hasonlította össze, értékelve, hogy mennyire pontosan tükrözték a valós körülményeket az adott évben. Matt Chantry, az ECMWF gépi tanulási koordinátora szerint az ENS modell jelentős fejlődésen ment keresztül 2019 óta, így nehéz megítélni a jelenlegi teljesítményt az újabb változattal szemben.
A GenCast sebessége ad ütőkártyát
A GenCast egy rácsra osztja a világot, és 0,25 fokos felbontással operál — ez azt jelenti, hogy minden négyzet a rácson egy negyed fok szélességi és hosszúsági értelemben. Összehasonlítva, az ENS 2019-ben 0,2 fokos felbontást alkalmazott, ami mostanra már 0,1 fokra nőtt.
Ennek ellenére a GenCast fejlődése „jelentős előrelépés az időjárás előrejelzésében” — mondta Chantry egy e-mailben. Az ECMWF a saját gépi tanulásra alapuló rendszerét is futtatja, amely részben ihletet a GenCastból merített.
A gyorsaság hatalmas előnyt jelent a GenCast számára. A Google Cloud TPU v5 segítségével mindössze nyolc perc alatt képes generálni egy 15 napos előrejelzést. A hagyományos, fizikai alapú modellek, mint az ENS, sokkal több időt igényelnek ugyanerre a feladatra. A GenCast megkerüli azokat az összetett képleteket, amiket az ENS-nek meg kell oldania, ezért kevesebb időt és számítási kapacitást igényel az előrejelzések elkészítése.
Price úgy fogalmazott: „Számítástechnikai szinten sokkal költségesebb a hagyományos előrejelzéseket futtatni egy GenCast-szerű modellhez viszonyítva.”
Környezetvédelmi és gyakorlati megfontolások
A GenCast hatékonysága csökkentheti az energiaköltségeket és az AI adatközpontok környezeti terhelését, melyek a Google üvegházhatású gázkibocsátásának növekedéséhez is hozzájárultak. Azonban nehéz meghatározni, hogyan viszonyul a GenCast a fizikán alapuló modellekhez fenntarthatósági szempontból, anélkül hogy látnánk, mennyi energiát igényel a gépi tanulási modell képzése.
Van még tér a GenCast fejlesztésére, például a felbontás finomításával. Továbbá a GenCast 12 órás időközönként ad jelentéseket, szemben a hagyományos modellekkel, amelyek gyakrabban frissítik előrejelzéseiket. Ez befolyásolhatja, hogy hogyan alkalmazhatóak ezek a valós helyzetekben, mint például a szélenergia mennyiségének becslésekor.
Stephen Mullens, a Floridai Egyetem meteorológiai tanársegédje, aki nem vett részt a GenCast kutatásában, megjegyezte: „Jelenleg is próbáljuk megérteni, hogy ez a megközelítés mennyire hasznos. Fontos tudni, hogy mit tesz majd a szél egész nap folyamán, nem csak reggel 6-kor és este 6-kor.”
Miközben növekszik az érdeklődés az AI használatának kiterjesztésére az időjárás-előrejelzés javításában, még mindig be kell bizonyítania a megbízhatóságát. Mullens szerint: „Az emberek figyelnek rá, de úgy vélem, a meteorológiai közösség teljes mértékben még nem fogadta be.”
Az előrejelzők önállóan is kipróbálhatják a GenCastot, ugyanis a DeepMind nyilvánossá tette annak kódját. Price szerint a GenCast és az újabb fejlesztések a hagyományos modellekkel együtt a valós világban is alkalmazhatóak lesznek. „Ha ezek a modellek a napi gyakorlat részévé válnak, az megnöveli az AI-alapú megoldásokba vetett bizalmat” — mondta Price. „Igazán szeretnénk, ha ezek a fejlesztések széleskörű társadalmi hatást gyakorolnának.”
