DeepMind AI Povas Pli bone Antaŭdiri Veteron

Deepmind AI

Meteologio kiel scienco progresas danke al evoluo de teknologio. Nuntempe ekzistas pluraj komputilaj programoj kapablaj rekte antaŭdiri kiam kaj kie pluvos. La kompanio de Deepmind ellaboris artefaritan inteligentecon kapablan antaŭdiri preskaŭ ekzakte kiam kaj kie pluvos. Ĉi tiu kompanio laboris kun britaj meteorologoj por krei modelon pli taŭgan por fari antaŭtempajn antaŭdirojn ol nunaj sistemoj.

En ĉi tiu artikolo ni diros al vi ĉion, kion vi bezonas scii pri la sako Robleda, la meteologia prognozo-teknologio de la kompanio DeepMind.

Veterprognozo

profundmensa

DeepMind, kompanio kun artefarita inteligenteco en Londono, daŭrigas sian karieron apliki profundan lernadon al malfacilaj sciencaj problemoj. DeepMind disvolvis profundan lernan ilon nomatan DGMR kunlabore kun la Met-Oficejo de la Brita Nacia Veterservo, kiu povas precize antaŭdiri la probablon de pluvo en la venontaj 90 minutoj. Ĝi estas unu el la plej malfacilaj defioj en veterprognozo.

Kompare kun ekzistantaj iloj, dekoj da spertuloj opinias, ke la prognozoj de DGMR estas la plej bonaj pri pluraj faktoroj, inkluzive de ĝiaj antaŭdiroj pri la loko, amplekso, movado kaj intenseco de pluvo, 89% de la tempo. La nova ilo de DeepMind malfermas novan ŝlosilon en biologio, kiun sciencistoj provis solvi de jardekoj.

Tamen eĉ malgrandaj plibonigoj en antaŭdiroj gravas. Antaŭvidi pluvon, precipe pluvegon, estas kritika por multaj industrioj, de subĉielaj agadoj ĝis aviadaj servoj kaj krizoj. Sed fari ĝin ĝuste estas malfacile. Determini kiom da akvo estas sur la ĉielo kaj kiam kaj kie ĝi falos dependas de multaj klimataj procezoj, kiel temperaturŝanĝoj, nubformiĝo kaj vento. Ĉiuj ĉi tiuj faktoroj estas sufiĉe kompleksaj en si mem, sed ili estas pli kompleksaj kiam kombinitaj.

La plej bona disponebla prognozo-teknologio uzas multajn komputilajn simuladojn de atmosfera fiziko. Ĉi tiuj taŭgas por longtempaj prognozoj, sed ili ne tre kapablas antaŭdiri, kio okazos en la sekva horo. Ĉi tio nomiĝas tuja prognozo.

Disvolviĝo DeepMind

disvolviĝo de veterprognozo

Antaŭaj profundaj lernaj teknikoj estis disvolvitaj, sed ĉi tiuj teknikoj kutime funkcias bone unuflanke, kiel antaŭdiri lokon, kaj koste de alia, kiel antaŭdiri forton. Radaraj datumoj pri pluvego, kiuj helpas antaŭdiri tujan pluvon, restas granda defio por meteologoj.

La teamo DeepMind uzis radarajn datumojn por trejni sian IA. Multaj landoj kaj regionoj ofte publikigas momentfotojn de radaraj mezuroj, kiuj spuras nuban formadon kaj movadon tra la tago. Ekzemple, en la UK, novaj legaĵoj estas afiŝitaj ĉiun kvinan minuton. Kunmetante ĉi tiujn klakojn, vi povas akiri ĝisdatan haltmovan filmeton montrantan kiel la pluva ŝablono de lando ŝanĝiĝas.

La esploristoj sendas ĉi tiujn datumojn al profunda generacia reto simila al GAN, kiu estas trejnita AI, kiu povas generi novajn datumajn specimenojn tre similajn al la realaj datumoj uzataj en trejnado. GAN estis uzata por generi falsajn vizaĝojn, inkluzive la falsan Rembrandt. Ĉi-kaze DGMR (kiu signifas "Generative Deep Rain Model") lernis generi falsajn radarajn momentfotojn, kiuj daŭrigas la efektivan mezuran sinsekvon.

Eksperimentoj de DeepMind AI

veterprognozo

Shakir Mohamed, kiu gvidis la esploron ĉe DeepMind, diris, ke tio samas kiel spekti kelkajn kadrojn de filmo kaj diveni, kio okazos poste. Por provi ĉi tiun metodon, la teamo petis 56 meteologojn de la Meteorologia Buroo (kiuj ne partoprenis la laboron) enprofundiĝi en la pli progresintaj fizikaj simuladoj kaj aro da kontraŭuloj.

89% de homoj diris, ke ili preferas la rezultojn donitajn de DGMR. Maŝinlernaj algoritmoj ĝenerale provas optimumigi por simpla mezuro de kiom bonaj estas viaj antaŭdiroj. Tamen la veterprognozo havas multajn malsamajn aspektojn. Eble prognozo akiris la malĝustan pluvintensecon en la ĝusta loko, aŭ alia antaŭdiro ricevis la ĝustan kombinaĵon de intensecoj sed en la malĝusta loko, ktp.

DeepMind diris, ke ĝi liberigos la strukturon de ĉiuj proteinoj konataj de scienco. La kompanio uzis sian faldeblan artefaritan inteligentecon AlphaFold-proteino por generi strukturojn por la homa proteomo, kaj ankaŭ por feĉo, muŝoj kaj musoj.

La kunlaboro inter DeepMind kaj Met Office estas bona ekzemplo de laboro kun finuzantoj por kompletigi AI-disvolviĝon. Evidente ĉi tio estas bona ideo, sed ĝi ofte ne okazas. La teamo laboris pri la projekto dum kelkaj jaroj kaj kontribuo de spertuloj de la Meteorologia Buroo formis la projekton. Suman Ravuri, esploristo ĉe DeepMind, diris: "Ĝi antaŭenigas la disvolviĝon de nia modelo alimaniere ol nia propra efektivigo." "Alie, ni povus krei modelon, kiu finfine ne aparte utilus."

DeepMind ankaŭ volas montri, ke ĝia AI havas praktikajn aplikojn. Por Shakir, DGMR kaj AlphaFold estas parto de la sama historio: la kompanio uzas siajn jarojn da sperto solvante enigmojn. Eble la plej grava konkludo ĉi tie estas, ke DeepMind finfine komencis listigi realajn sciencajn problemojn.

Progresoj en veterprognozo

Veterprognozado devas esti subtenata de la disvolviĝo de teknologio, ĉar ni pli kaj pli proksimiĝas al plene kompreni kiel funkcias nia atmosfero. Multfoje la homo kaj liaj kalkuloj povas submetiĝi al oftaj eraroj evitindaj kun la disvolviĝo de artefarita inteligenteco.

Vetera prognozo estas ŝlosilo al homo, ĉar ni povas profiti multon pli efikaj akvoresursoj kaj eviti iujn katastrofojn en ŝtormoj kaj pluvegoj. Pro tio, meteologoj pli kaj pli konsentas disvolvi projektojn pri artefarita inteligenteco por antaŭdiri pluvojn.

Mi esperas, ke per ĉi tiuj informoj vi povas lerni pli pri la projekto DeepMind kaj ĝiaj karakterizaĵoj.


La enhavo de la artikolo aliĝas al niaj principoj de redakcia etiko. Por raporti eraron alklaku Ĉi tie.

Estu la unua por komenti

Lasu vian komenton

Via retpoŝta adreso ne estos eldonita. Postulita kampojn estas markita per *

*

*

  1. Respondeculo pri la datumoj: Miguel Ángel Gatón
  2. Celo de la datumoj: Kontrola SPAM, administrado de komentoj.
  3. Legitimado: Via konsento
  4. Komunikado de la datumoj: La datumoj ne estos komunikitaj al triaj krom per laŭleĝa devo.
  5. Stokado de datumoj: Datumbazo gastigita de Occentus Networks (EU)
  6. Rajtoj: Iam ajn vi povas limigi, retrovi kaj forigi viajn informojn.