Meteorologi som videnskab går fremad takket være udviklingen af teknologi. I øjeblikket er der flere computerprogrammer, der er i stand til direkte at forudsige, hvornår og hvor det vil regne. Selskabet af DeepMind har udviklet en kunstig intelligens, der er i stand til at forudsige næsten præcis hvornår og hvor det vil regne. Dette firma har arbejdet med britiske meteorologer for at skabe en model, der er bedre til at lave kortsigtede forudsigelser end nuværende systemer.
I denne artikel vil vi fortælle dig alt, hvad du har brug for at vide om Robleda -tasken, den meteorologiske forudsigelsesteknologi for virksomheden DeepMind.
Vejrudsigt
DeepMind, et London-baseret kunstigt intelligensfirma, fortsætter sin karriere med at anvende dyb læring til vanskelige videnskabelige problemer. DeepMind har udviklet et deep learning -værktøj kaldet DGMR i samarbejde med British National Weather Service's Met Office, som præcist kan forudsige sandsynligheden for regn i de næste 90 minutter. Det er en af de vanskeligste udfordringer i vejrudsigterne.
I en sammenligning med eksisterende værktøjer mener snesevis af eksperter, at DGMRs forudsigelser er de bedste på flere faktorer, herunder dens forudsigelser af regnens placering, rækkevidde, bevægelse og intensitet, 89% af tiden. DeepMinds nye værktøj åbner en ny nøgle i biologi, som forskere har forsøgt at løse i årtier.
Selv små forbedringer i forudsigelser er imidlertid vigtige. Forudsigelse af nedbør, især kraftig regn, er afgørende for mange industrier, lige fra udendørs aktiviteter til luftfartstjenester og nødsituationer. Men at få det rigtigt er svært. At bestemme, hvor meget vand der er på himlen, og hvornår og hvor det vil falde, afhænger af mange klimatiske processer, som temperaturændringer, skydannelse og vind. Alle disse faktorer er komplekse nok i sig selv, men de er mere komplekse, når de kombineres.
Den bedst tilgængelige forudsigelsesteknologi anvender et stort antal computersimuleringer af atmosfærisk fysik. Disse er velegnede til langtidsudsigter, men de er ikke særlig gode til at forudsige, hvad der vil ske i den næste time. Dette kaldes en umiddelbar prognose.
DeepMind -udvikling
Tidligere deep learning -teknikker er blevet udviklet, men disse teknikker fungerer normalt godt i en henseende, såsom forudsigelse af placering og på bekostning af en anden, såsom forudsigelse af kraft. Radardata for kraftig regn, der hjælper med at forudsige øjeblikkelig regn, er stadig en stor udfordring for meteorologer.
DeepMind -teamet brugte radardata til at træne deres AI. Mange lande og regioner offentliggør ofte snapshots af radarmålinger, der sporer skydannelse og bevægelse i løbet af dagen. For eksempel udsendes nye aflæsninger hvert femte minut i Storbritannien. Ved at sætte disse snaps sammen kan du få en opdateret stop-motion-video, der viser, hvordan regnmønsteret i et land ændrer sig.
Forskerne sender disse data til et dybt generationsnetværk, der ligner GAN, som er en uddannet AI, der kan generere nye dataprøver, der meget ligner de faktiske data, der blev brugt i træning. GAN er blevet brugt til at generere falske ansigter, herunder den falske Rembrandt. I dette tilfælde har DGMR (som står for "Generative Deep Rain Model") lært at generere falske radar snapshots, der fortsætter den faktiske målesekvens.
DeepMind AI -eksperimenter
Shakir Mohamed, der ledede forskningen på DeepMind, sagde, at dette er det samme som at se et par billeder fra en film og gætte, hvad der derefter vil ske. For at teste denne metode bad teamet 56 meteorologer fra Bureau of Meteorology (som ikke var involveret i arbejdet) om at dykke ned i de mere avancerede fysiske simuleringer og et sæt modstandere.
89% af mennesker sagde, at de foretrækker resultaterne fra DGMR. Maskinlæringsalgoritmer forsøger generelt at optimere til et simpelt mål for, hvor gode dine forudsigelser er. Vejrudsigten har dog mange forskellige aspekter. Måske fik en forudsigelse den forkerte regnintensitet på det rigtige stedeller anden forudsigelse fik den korrekte kombination af intensiteter, men på det forkerte sted, og så videre.
DeepMind sagde, at det vil frigive strukturen af alle proteiner, som videnskaben kender. Virksomheden har brugt sin AlphaFold -proteinfoldning kunstig intelligens til at generere strukturer til det menneskelige proteom samt til gær, frugtfluer og mus.
Samarbejdet mellem DeepMind og Met Office er et godt eksempel på at arbejde med slutbrugere for at fuldføre AI -udvikling. Det er naturligvis en god idé, men det sker ofte ikke. Teamet arbejdede på projektet i flere år, og input fra eksperter fra Bureau of Meteorology formede projektet. Suman Ravuri, forsker ved DeepMind, sagde: "Det fremmer udviklingen af vores model på en anden måde end vores egen implementering." "Ellers kunne vi have skabt en model, der ikke ville være særlig nyttig i sidste ende."
DeepMind er også ivrig efter at vise, at dens AI har praktiske anvendelser. For Shakir er DGMR og AlphaFold en del af den samme historie: virksomheden bruger deres mange års erfaring med at løse gåder. Måske er den vigtigste konklusion her, at DeepMind endelig er begyndt at liste videnskabelige problemer fra den virkelige verden.
Fremskridt inden for vejrudsigter
Vejrudsigter skal understøttes af udviklingen af teknologi, da vi kommer tættere og tættere på fuldt ud at forstå, hvordan vores atmosfære fungerer. Mange gange kan mennesket og hans beregninger blive udsat for almindelige fejl, der kan undgås med udviklingen af kunstig intelligens.
Vejrudsigter er nøglen til at være mennesker, da vi kan drage fordel af meget mere effektive vandressourcer og undgå nogle katastrofer i storme og kraftige regnskyl. Af denne grund er meteorologer i stigende grad enige om at udvikle kunstige intelligensprojekter til at forudsige nedbør.
Jeg håber, at du med disse oplysninger kan lære mere om DeepMind -projektet og dets egenskaber.