Οι σημερινές μετεωρολογικές προβλέψεις βασίζονται σε πολύπλοκα μοντέλα που ενσωματώνουν τους νόμους που διέπουν τη δυναμική της ατμόσφαιρας και των ωκεανών, και αυτά τα μοντέλα λειτουργούν σε μερικούς από τους πιο ισχυρούς υπερυπολογιστές που υπάρχουν. Ωστόσο, η Alphabet (η μητρική εταιρεία της Google) κατάφερε να προβλέψει τις παγκόσμιες καιρικές συνθήκες για τις επόμενες 10 ημέρες σε μόλις ένα λεπτό χρησιμοποιώντας ένα μόνο μηχάνημα στο μέγεθος ενός προσωπικού υπολογιστή, χάρη στην τεχνητή νοημοσύνη που αναπτύχθηκε από την DeepMind. ο Το Google AI προβλέπει τον καιρό και αυτό μόλις ξεκίνησε.
Σε αυτό το άρθρο θα σας πούμε πώς το Google AI προβλέπει τον καιρό και πώς έχει εξελιχθεί αυτή η τεχνολογία.
Το Google AI προβλέπει τον καιρό
Παραδόξως, αυτό το σύστημα AI ξεπερνά τα περισσότερα σύγχρονα συστήματα πρόβλεψης καιρού σχεδόν από κάθε άποψη. Είναι ενδιαφέρον ότι φαίνεται ότι αυτή τη φορά η τεχνητή νοημοσύνη χρησιμεύει ως συμπλήρωμα της ανθρώπινης νοημοσύνης αντί να την αντικαθιστά.
Το Ευρωπαϊκό Κέντρο Προγνώσεων Καιρού Μεσαίου Εύρους (ECMWF) διαθέτει ένα απίστευτα προηγμένο σύστημα που υποβλήθηκε σε σημαντική αναβάθμιση πέρυσι, βελτιώνοντας τις προγνωστικές του ικανότητες. Φιλοξενείται στις εγκαταστάσεις της στη Μπολόνια της Ιταλίας, Υπάρχει ένας υπερυπολογιστής εξοπλισμένος με περίπου ένα εκατομμύριο επεξεργαστές (σε αντίθεση με τα δύο ή τέσσερα που βρίσκονται σε έναν προσωπικό υπολογιστή) και μια εξαιρετική υπολογιστική ισχύ 30 πεταφλοπς, που ισοδυναμεί με εκπληκτικούς 30.000 τρισεκατομμύρια υπολογισμούς ανά δευτερόλεπτο.
Αυτή η τεράστια υπολογιστική ικανότητα είναι απαραίτητη για ένα από τα εργαλεία του, το High Resolution Forecasting (HRES), το οποίο προβλέπει με ακρίβεια τα μεσοπρόθεσμα παγκόσμια καιρικά μοτίβα, τα οποία Γενικά εκτείνονται σε 10 ημέρες, με εντυπωσιακή χωρική ανάλυση εννέα χιλιομέτρων. Αυτές οι προβλέψεις χρησιμεύουν ως βάση για προγνώσεις καιρού που παρέχονται από μετεωρολόγους σε όλο τον κόσμο. Πρόσφατα, το GraphCast, μια τεχνητή νοημοσύνη που αναπτύχθηκε από την Google DeepMind, χρησιμοποιήθηκε για τη μέτρηση των δυνατοτήτων αυτού του τρομερού συστήματος στην πρόβλεψη καιρού.
Αποτελέσματα μελέτης AI
Τα αποτελέσματα σύγκρισης, που δημοσιεύθηκαν την Τρίτη στο περιοδικό Science, αποκαλύπτουν ότι το GraphCast υπερτερεί του HRES στην πρόβλεψη πολλών καιρικών παραγόντων. Σύμφωνα με τη μελέτη, Το μηχάνημα της Google υπερτερεί του ECMWF στο 90,3% των 1.380 μετρήσεων που εξετάστηκαν.
Όταν εστιάζουμε αποκλειστικά στην τροπόσφαιρα, το ατμοσφαιρικό στρώμα όπου συμβαίνουν τα περισσότερα καιρικά φαινόμενα, και εξαιρουμένων των δεδομένων από τη στρατόσφαιρα, η οποία βρίσκεται περίπου 6 έως 8 χιλιόμετρα πάνω από την επιφάνεια της Γης, η τεχνητή νοημοσύνη (A.I.) ) υπερτερεί των υπερυπολογιστών υπό την επίβλεψη ανθρώπου στο 99,7% των περιπτώσεις. οι μεταβλητές που αναλύθηκαν. Παραδόξως, αυτό το επίτευγμα επιτεύχθηκε χρησιμοποιώντας μια μηχανή που μοιάζει πολύ με έναν προσωπικό υπολογιστή, γνωστή ως μονάδα επεξεργασίας τανυστήρα ή TPU.
Σύμφωνα με τον Álvaro Sánchez González, ερευνητή στο Google DeepMind, τα TPU είναι εξειδικευμένο υλικό που προσφέρει πιο αποτελεσματική εκπαίδευση και εκτέλεση λογισμικού τεχνητής νοημοσύνης σε σύγκριση με έναν κανονικό υπολογιστή, διατηρώντας παράλληλα παρόμοιο μέγεθος. Ακριβώς όπως η κάρτα γραφικών ενός υπολογιστή εστιάζει στην απόδοση εικόνων, οι TPU έχουν σχεδιαστεί για να υπερέχουν σε προϊόντα matrix. Για την εκπαίδευση GraphCast, χρησιμοποιήσαμε 32 TPUs κατά τη διάρκεια αρκετών εβδομάδων. Ωστόσο, μόλις ολοκληρωθεί η εκπαίδευση, ένα μόνο TPU μπορεί να δημιουργήσει προβλέψεις σε λιγότερο από ένα λεπτό, όπως εξήγησε ο Sánchez González, ένας από τους δημιουργούς της συσκευής.
GraphCast και συστήματα πρόβλεψης
Μια αξιοσημείωτη διάκριση μεταξύ του GraphCast και των υπαρχόντων συστημάτων πρόβλεψης είναι η ικανότητά του να ενσωματώνει ιστορικά δεδομένα. Οι δημιουργοί εκπαίδευσαν το σύστημα χρησιμοποιώντας μετεωρολογικά δεδομένα από το αρχείο ECMWF που χρονολογείται από το 1979. Αυτό το εκτεταμένο σύνολο δεδομένων καλύπτει οι βροχοπτώσεις στο Σαντιάγο και οι κυκλώνες που έπληξαν το Ακαπούλκο για μια περίοδο 40 ετών. Μετά από αρκετό χρόνο εκπαίδευσης, το GraphCast έχει την αξιοσημείωτη ικανότητα να δημιουργεί ακριβείς προβλέψεις καιρού.
Απαιτείται μόνο γνώση των καιρικών συνθηκών έξι ώρες πριν και αμέσως πριν από την πρόβλεψή σας για να προβλέψετε με ακρίβεια τον καιρό σε άλλες έξι ώρες από τώρα. Οι προβλέψεις είναι αλληλεξαρτώμενες και κάθε νέα πρόβλεψη ενημερώνει την προηγούμενη. Ο Ferran Alet, συνδημιουργός αυτής της εντυπωσιακής μηχανής DeepMind, εξηγεί την εσωτερική λειτουργία του: «Το νευρωνικό μας δίκτυο προβλέπει τις καιρικές συνθήκες έξι ώρες νωρίτερα. Για να προβλέψουμε τον καιρό σε 24 ώρες, απλώς αξιολογούμε το μοντέλο τέσσερις φορές. Εναλλακτικά, θα μπορούσαμε να έχουμε εκπαιδεύσει ξεχωριστά μοντέλα για τις διαφορετικές χρονικές περιόδους, όπως ένα για έξι ώρες και ένα για 24 ώρες. Ωστόσο, «Κατανοούμε ότι οι βασικές αρχές που διέπουν τον καιρό παραμένουν συνεπείς μέσα σε μια περίοδο έξι ωρών».
«Ως εκ τούτου, εάν μπορέσουμε να ανακαλύψουμε το κατάλληλο μοντέλο 6 ωρών και να χρησιμοποιήσουμε τις δικές του προβλέψεις ως είσοδο, μπορούμε να προβλέψουμε με ακρίβεια τον καιρό για τις επόμενες 12 ώρες και να επαναλάβουμε αυτή τη διαδικασία κάθε έξι ώρες». Σύμφωνα με τον Alet, αυτή η προσέγγιση παρέχει έναν σημαντικό όγκο δεδομένων για ένα μόνο μοντέλο, με αποτέλεσμα την πιο αποτελεσματική εκπαίδευση.
Μέχρι τώρα, οι μετεωρολογικές προβλέψεις βασίζονταν σε αριθμητική πρόβλεψη καιρού, η οποία χρησιμοποιεί επιστημονικές εξισώσεις που αναπτύχθηκαν σε όλη την ιστορία για να εξηγήσουν τις διάφορες πολυπλοκότητες της ατμοσφαιρικής δυναμικής. Τα ευρήματα των ερευνητών καθιερώνουν ένα σύνολο μαθηματικών αλγορίθμων που χρησιμοποιούν οι υπερυπολογιστές πρέπει να τρέξει για να δημιουργήσει προβλέψεις για τις επόμενες ώρες, ημέρες ή εβδομάδες (αν και η αξιοπιστία μειώνεται σημαντικά μετά από 15 ημέρες). Ωστόσο, η εκτέλεση αυτής της εργασίας απαιτεί έναν πολύ προηγμένο υπερυπολογιστή, ο οποίος συνεπάγεται σημαντικό κόστος και εκτεταμένες προσπάθειες μηχανικής.
Το μοντέλο Google AI προβλέπει τον καιρό
Αυτό που είναι ιδιαίτερα αξιοσημείωτο είναι ότι αυτά τα συστήματα δεν χρησιμοποιούν τις καιρικές συνθήκες της προηγούμενης ημέρας ή ακόμα και του προηγούμενου έτους, παρά το γεγονός ότι συνέβη στον ίδιο τόπο και την ίδια στιγμή.
Αντιθέτως, προσεγγίζει το έργο από μια διαφορετική οπτική γωνία, σχεδόν το αντίθετο. Μέσω των προηγμένων δυνατοτήτων βαθιάς εκμάθησής του, χρησιμοποιεί εκτεταμένα αρχεία προηγούμενων καιρικών δεδομένων για να αποκτήσει μια ολοκληρωμένη κατανόηση της περίπλοκης δυναμικής αιτίου και αποτελέσματος που υπαγορεύει την εξέλιξη του κλίματος της Γης.
Σύμφωνα με τον José Luis Casado, εκπρόσωπο της Ισπανικής Μετεωρολογικής Υπηρεσίας (AEMET), τα ιστορικά δεδομένα δεν λαμβάνονται υπόψη στο ατμοσφαιρικό μοντέλο. Ο Casado διευκρινίζει ότι αυτό το μοντέλο βασίζεται σε υπάρχουσες παρατηρήσεις και στην πιο πρόσφατη πρόβλεψη που έκανε το ίδιο το μοντέλο. Με την ακριβή κατανόηση της τρέχουσας κατάστασης της ατμόσφαιρας, είναι δυνατό να προβλεφθεί η μελλοντική της εξέλιξη. Σε αντίθεση με τις τεχνικές μηχανικής μάθησης, αυτή η προσέγγιση δεν χρησιμοποιεί ιστορικά δεδομένα ή προβλέψεις.
Ελπίζω ότι με αυτές τις πληροφορίες μπορείτε να μάθετε περισσότερα για το AI της Google που προβλέπει τον καιρό και τα χαρακτηριστικά του.