Meteorologia tieteenä kehittyy tekniikan kehityksen ansiosta. Tällä hetkellä on olemassa useita tietokoneohjelmia, jotka pystyvät suoraan ennustamaan, milloin ja missä sataa. Yritys Deepmind on kehittänyt tekoälyn, joka kykenee ennakoimaan lähes täsmälleen milloin ja missä sataa. Tämä yritys on tehnyt yhteistyötä Ison-Britannian meteorologien kanssa luodakseen mallin, joka on parempi lyhyen aikavälin ennusteiden tekemiseen kuin nykyiset järjestelmät.
Tässä artikkelissa kerromme sinulle kaiken, mitä sinun tarvitsee tietää Robleda -laukusta, DeepMind -yhtiön sääennusteiden tekniikasta.
Sääennuste
DeepMind, Lontoossa sijaitseva tekoälyyritys, jatkaa uraansa syvän oppimisen soveltamisessa vaikeisiin tieteellisiin ongelmiin. DeepMind on kehittänyt DGMR -nimisen syvän oppimistyökalun yhteistyössä Ison -Britannian kansallisen sääpalvelun Met Officen kanssa, joka voi ennustaa tarkasti sateen todennäköisyyden seuraavan 90 minuutin aikana. Se on yksi vaikeimmista sääennusteiden haasteista.
Verrattuna olemassa oleviin työkaluihin kymmenet asiantuntijat uskovat, että DGMR: n ennusteet ovat parhaita useista tekijöistä, mukaan lukien sen ennusteet sadon sijainnista, alueesta, liikkeestä ja voimakkuudesta 89% ajasta. DeepMindin uusi työkalu avaa uuden avaimen biologiassa, jota tutkijat ovat yrittäneet ratkaista vuosikymmeniä.
Pienetkin parannukset ennusteisiin ovat kuitenkin tärkeitä. Sateiden, etenkin rankkasateiden, ennustaminen on kriittistä monille teollisuudenaloille, ulkoilusta ilmailupalveluihin ja hätätilanteisiin. Mutta sen saaminen oikein on vaikeaa. Sen määrittäminen, kuinka paljon vettä on taivaalla ja milloin ja mihin se putoaa, riippuu monista ilmastoprosesseista, kuten lämpötilan muutokset, pilvien muodostuminen ja tuuli. Kaikki nämä tekijät ovat itsessään riittävän monimutkaisia, mutta ne ovat monimutkaisempia yhdistettynä.
Paras käytettävissä oleva ennustetekniikka käyttää suurta määrää ilmakehän fysiikan tietokonesimulaatioita. Nämä soveltuvat pitkän aikavälin ennusteisiin, mutta ne eivät ole kovin hyviä ennustamaan, mitä tapahtuu seuraavan tunnin aikana. Tätä kutsutaan välittömäksi ennusteeksi.
DeepMind -kehitys
Aiempia syvän oppimisen tekniikoita on kehitetty, mutta nämä tekniikat toimivat yleensä hyvin jossain suhteessa, kuten sijainnin ennustaminen, ja toisen kustannuksella, kuten voiman ennustaminen. Tutkatiedot rankkasateista, jotka auttavat ennustamaan välitöntä sadetta, ovat edelleen suuri haaste meteorologeille.
DeepMind -tiimi käytti tutkatietoja AI: nsa kouluttamiseen. Monet maat ja alueet julkaisevat usein tilannekuvia tutkamittauksista, jotka seuraavat pilvien muodostumista ja liikkumista koko päivän ajan. Esimerkiksi Isossa -Britanniassa uudet lukemat julkaistaan viiden minuutin välein. Yhdistämällä nämä napsautukset yhteen saat ajantasaisen stop-motion-videon, joka näyttää kuinka maan sademalli muuttuu.
Tutkijat lähettävät nämä tiedot GAN: n kaltaiseen syvän sukupolven verkkoon, joka on koulutettu tekoäly, joka voi luoda uusia tietonäytteitä, jotka ovat hyvin samankaltaisia kuin koulutuksessa käytetyt todelliset tiedot. GANia on käytetty väärennettyjen kasvojen luomiseen, mukaan lukien väärennetty Rembrandt. Tässä tapauksessa DGMR (joka tarkoittaa "Generative Deep Rain Model") on oppinut tuottamaan vääriä tutkakuvia, jotka jatkavat todellista mittausjaksoa.
DeepMind AI -kokeet
Shaep Mohamed, joka johti tutkimusta DeepMindissä, sanoi, että tämä on sama kuin katsoa muutama kuva elokuvasta ja arvata, mitä tapahtuu seuraavaksi. Testatakseen tätä menetelmää, tiimi pyysi 56 meteorologia Meteorologian toimistolta (jotka eivät olleet mukana työssä) perehtymään kehittyneempiin fyysisiin simulaatioihin ja joukkoon vastustajia.
89% ihmisistä sanoi pitävänsä parempana DGMR: n antamia tuloksia. Koneoppimisalgoritmit yrittävät yleensä optimoida yksinkertaisen mittauksen siitä, kuinka hyvät ennusteet ovat. Sääennusteessa on kuitenkin monia eri näkökohtia. Ehkä ennuste sai väärän sateen voimakkuuden oikeaan paikkaantai muu ennuste sai oikean intensiteettien yhdistelmän, mutta väärässä paikassa jne.
DeepMind sanoi, että se vapauttaa kaikkien tieteen tuntemien proteiinien rakenteen. Yhtiö on käyttänyt AlphaFold -proteiinin taittotekoälyä rakentaakseen rakenteita ihmisen proteomille sekä hiivalle, hedelmäkärpäille ja hiirille.
Yhteistyö DeepMindin ja Met Officen välillä on hyvä esimerkki yhteistyöstä loppukäyttäjien kanssa tekoälyn kehittämisen viimeistelemiseksi. Tämä on tietysti hyvä idea, mutta usein se ei toteudu. Tiimi työskenteli projektin parissa useita vuosia, ja ilmatieteen laitoksen asiantuntijoiden panos muotoili projektia. Suman Ravuri, DeepMindin tutkija, sanoi: "Se edistää mallimme kehittämistä eri tavalla kuin oma toteutus." "Muuten olisimme voineet luoda mallin, joka ei olisi lopulta erityisen hyödyllinen."
DeepMind on myös innokas osoittamaan, että sen tekoälyllä on käytännön sovelluksia. Shakirille DGMR ja AlphaFold ovat osa samaa tarinaa: yritys käyttää vuosien kokemustaan pulmien ratkaisemisessa. Ehkä tärkein johtopäätös on, että DeepMind on vihdoin alkanut luetella todellisia tieteellisiä ongelmia.
Edistystä sääennusteissa
Teknologian kehityksen on tuettava sääennusteita, kun olemme yhä lähempänä ymmärrystämme siitä, miten ilmakehämme toimii. Monesti ihminen ja hänen laskelmansa voivat altistua yleisille virheille, jotka voidaan välttää kehittämällä tekoälyä.
Sääennuste on avain ihmisenä olemiseen, koska voimme hyödyntää paljon tehokkaampia vesivaroja ja välttää joitakin katastrofeja myrskyissä ja rankkasateissa. Tästä syystä meteorologit suostuvat yhä enemmän kehittämään tekoälyhankkeita sademäärien ennustamiseksi.
Toivon, että näiden tietojen avulla voit oppia lisää DeepMind -projektista ja sen ominaisuuksista.