A meteoroloxía como ciencia avanza grazas ao desenvolvemento da tecnoloxía. Actualmente, hai varios programas informáticos capaces de predicir directamente cando e onde choverá. A compañía de Deepmind desenvolveu unha intelixencia artificial capaz de predicir case exactamente cando e onde choverá. Esta compañía traballou con meteorólogos do Reino Unido para crear un modelo que sexa mellor para facer predicións a curto prazo que os sistemas actuais.
Neste artigo imos contarche todo o que necesitas saber sobre a bolsa Robleda, a tecnoloxía de predición meteorolóxica da empresa DeepMind.
Índice
Pronóstico do tempo
DeepMind, unha compañía de intelixencia artificial con sede en Londres, continúa a súa carreira aplicando a aprendizaxe profunda a problemas científicos difíciles. DeepMind desenvolveu unha ferramenta de aprendizaxe profunda chamada DGMR en cooperación coa Oficina Met do Servizo Nacional de Meteoroloxía Británico, que pode predicir con precisión a probabilidade de choiva nos próximos 90 minutos. É un dos retos máis difíciles na predición meteorolóxica.
Nunha comparación coas ferramentas existentes, decenas de expertos cren que as predicións de DGMR son as mellores en varios factores, incluíndo as predicións da situación, alcance, movemento e intensidade da choiva, o 89% das veces. A nova ferramenta de DeepMind abre unha nova clave en bioloxía que os científicos intentaron resolver durante décadas.
Non obstante, incluso pequenas melloras nas predicións son importantes. A previsión de choivas, especialmente as fortes, é fundamental para moitas industrias, desde actividades ao aire libre ata servizos de aviación e emerxencias. Pero acertalo é difícil. Determinar a cantidade de auga no ceo e cando e onde caerá depende de moitos procesos climáticos, como os cambios de temperatura, a formación de nubes e o vento. Todos estes factores son suficientemente complexos por si mesmos, pero son máis complexos cando se combinan.
A mellor tecnoloxía de predición dispoñible emprega un gran número de simulacións por computadora de física atmosférica. Estes son axeitados para predicións a longo prazo, pero non son moi bos para predicir o que pasará na próxima hora. Isto chámase previsión inmediata.
Desenvolvemento DeepMind
Desenvolvéronse técnicas de aprendizaxe profunda previas, pero estas técnicas adoitan funcionar ben nun aspecto, como predicir a localización e a costa doutro, como predicir a forza. Os datos de radar sobre choivas intensas que axudan a predicir a choiva inmediata seguen sendo un gran desafío para os meteorólogos.
O equipo de DeepMind usou datos de radar para adestrar a súa IA. Moitos países e rexións publican con frecuencia instantáneas de medicións de radar que rastrexan a formación e o movemento das nubes ao longo do día. Por exemplo, no Reino Unido publícanse novas lecturas cada cinco minutos. Ao xuntar estas instantáneas, podes obter un vídeo stop-motion actualizado que mostre como cambia o patrón de choiva dun país.
Os investigadores envían estes datos a unha rede de xeración profunda similar a GAN, que é unha IA adestrada que pode xerar novas mostras de datos moi similares aos datos reais empregados na formación. GAN usouse para xerar rostros falsos, incluído o falso Rembrandt. Neste caso, DGMR (que significa "Modelo de choiva profunda xerativa") aprendeu a xerar instantáneas falsas de radar que continúan coa secuencia de medición real.
Experimentos de DeepMind AI
Shakir Mohamed, que dirixiu a investigación en DeepMind, dixo que isto é o mesmo que ver algúns fotogramas dunha película e adiviñar o que pasará despois. Para probar este método, o equipo pediu a 56 meteorólogos da Oficina de Meteoroloxía (que non participaron no traballo) que profundasen nas simulacións físicas máis avanzadas e nun conxunto de opositores.
O 89% das persoas dixo que prefire os resultados dados pola DGMR. Os algoritmos de aprendizaxe automática xeralmente intentan optimizar para unha simple medida do boas que son as túas predicións. Non obstante, a previsión meteorolóxica ten moitos aspectos diferentes. Quizais unha predición obtivo a intensidade de choiva incorrecta no lugar correcto, ou outra predición obtivo a combinación correcta de intensidades pero no lugar equivocado, etc.
DeepMind dixo que liberará a estrutura de todas as proteínas coñecidas pola ciencia. A compañía utilizou a intelixencia artificial que dobra a proteína AlphaFold para xerar estruturas para o proteoma humano, así como para lévedos, moscas da froita e ratos.
A colaboración entre DeepMind e Met Office é un bo exemplo de traballar con usuarios finais para completar o desenvolvemento de IA. Obviamente, esta é unha boa idea, pero moitas veces non sucede. O equipo traballou no proxecto durante varios anos e a contribución de expertos da Oficina de Meteoroloxía deu forma ao proxecto. Suman Ravuri, científico investigador de DeepMind, dixo: "Promove o desenvolvemento do noso modelo dun xeito diferente ao da nosa propia implementación". "Se non, poderiamos crear un modelo que ao final non sería especialmente útil".
DeepMind tamén está ansioso por demostrar que a súa IA ten aplicacións prácticas. Para Shakir, DGMR e AlphaFold forman parte da mesma historia: a compañía utiliza os seus anos de experiencia resolvendo crebacabezas. Quizais a conclusión máis importante aquí é que DeepMind finalmente comezou a enumerar problemas científicos do mundo real.
Avances na predición meteorolóxica
A predición meteorolóxica debe apoiarse no desenvolvemento da tecnoloxía xa que cada vez estamos máis preto de comprender plenamente como funciona a nosa atmosfera. Moitas veces o ser humano e os seus cálculos poden estar suxeitos a erros comúns que se poden evitar co desenvolvemento da intelixencia artificial.
A predición meteorolóxica é fundamental para ser humanos, xa que podemos aproveitalo moito recursos hídricos máis eficientes e evitar algunhas catástrofes en tormentas e fortes choivas. Por esta razón, os meteorólogos acordan cada vez máis desenvolver proxectos de intelixencia artificial para predicir as precipitacións.
Espero que con esta información poida aprender máis sobre o proxecto DeepMind e as súas características.
Sexa o primeiro en opinar sobre