Meteorologi sebagai ilmu pengetahuan semakin maju berkat perkembangan teknologi. Saat ini, ada beberapa program komputer yang mampu memprediksi secara langsung kapan dan di mana akan turun hujan. perusahaan dari DeepMind telah mengembangkan kecerdasan buatan yang mampu memprediksi dengan tepat kapan dan di mana hujan akan turun. Perusahaan ini telah bekerja dengan ahli meteorologi Inggris untuk membuat model yang lebih baik untuk membuat prediksi jangka pendek daripada sistem saat ini.
Pada artikel ini kami akan memberi tahu Anda semua yang perlu Anda ketahui tentang tas Robleda, teknologi prediksi meteorologi dari perusahaan DeepMind.
Prakiraan Cuaca
DeepMind, sebuah perusahaan kecerdasan buatan yang berbasis di London, melanjutkan karirnya menerapkan pembelajaran mendalam untuk masalah ilmiah yang sulit. DeepMind telah mengembangkan alat pembelajaran mendalam yang disebut DGMR bekerja sama dengan Kantor Met Dinas Cuaca Nasional Inggris, yang dapat secara akurat memprediksi kemungkinan hujan dalam 90 menit ke depan. Ini adalah salah satu tantangan tersulit dalam prakiraan cuaca.
Dibandingkan dengan alat yang ada, puluhan ahli percaya bahwa prediksi DGMR adalah yang terbaik pada beberapa faktor, termasuk prediksi lokasi, jangkauan, pergerakan dan intensitas hujan, 89% dari waktu. Alat baru DeepMind membuka kunci baru dalam biologi yang telah coba dipecahkan oleh para ilmuwan selama beberapa dekade.
Namun, bahkan perbaikan kecil dalam prediksi itu penting. Prakiraan hujan, terutama hujan lebat, sangat penting bagi banyak industri, mulai dari kegiatan di luar ruangan hingga layanan penerbangan dan keadaan darurat. Tapi memperbaikinya itu sulit. Menentukan berapa banyak air di langit dan kapan dan di mana ia akan jatuh tergantung pada banyak proses iklim, seperti perubahan suhu, pembentukan awan, dan angin. Semua faktor ini cukup kompleks dalam dirinya sendiri, tetapi mereka lebih kompleks bila digabungkan.
Teknologi prediksi terbaik yang tersedia menggunakan sejumlah besar simulasi komputer fisika atmosfer. Ini cocok untuk prakiraan jangka panjang, tetapi tidak terlalu bagus dalam memprediksi apa yang akan terjadi dalam satu jam ke depan. Ini disebut ramalan langsung.
pengembangan DeepMind
Teknik pembelajaran mendalam sebelumnya telah dikembangkan, tetapi teknik ini biasanya bekerja dengan baik dalam satu hal, seperti memprediksi lokasi, dan dengan mengorbankan yang lain, seperti memprediksi kekuatan. Data radar untuk hujan lebat yang membantu memprediksi hujan langsung tetap menjadi tantangan besar bagi ahli meteorologi.
Tim DeepMind menggunakan data radar untuk melatih AI mereka. Banyak negara dan wilayah sering mempublikasikan snapshot pengukuran radar yang melacak pembentukan dan pergerakan awan sepanjang hari. Misalnya, di Inggris, bacaan baru diposting setiap lima menit. Dengan menggabungkan bidikan ini, Anda bisa mendapatkan video stop-motion terkini yang menunjukkan bagaimana pola hujan suatu negara berubah.
Para peneliti mengirimkan data ini ke jaringan generasi dalam yang mirip dengan GAN, yang merupakan AI terlatih yang dapat menghasilkan sampel data baru yang sangat mirip dengan data aktual yang digunakan dalam pelatihan. GAN telah digunakan untuk menghasilkan wajah palsu, termasuk Rembrandt palsu. Dalam hal ini, DGMR (yang merupakan singkatan dari "Generative Deep Rain Model") telah belajar untuk menghasilkan snapshot radar palsu yang melanjutkan urutan pengukuran yang sebenarnya.
Eksperimen AI DeepMind
Shakir Mohamed, yang memimpin penelitian di DeepMind, mengatakan ini sama dengan menonton beberapa gambar diam dari sebuah film dan menebak apa yang akan terjadi selanjutnya. Untuk menguji metode ini, tim meminta 56 ahli meteorologi dari Biro Meteorologi (yang tidak terlibat dalam pekerjaan) untuk mempelajari simulasi fisik yang lebih maju dan serangkaian lawan.
89% orang mengatakan mereka lebih suka hasil yang diberikan oleh DJMR. Algoritme pembelajaran mesin umumnya mencoba mengoptimalkan ukuran sederhana tentang seberapa bagus prediksi Anda. Namun, ramalan cuaca memiliki banyak aspek yang berbeda. Mungkin prediksi mendapatkan intensitas hujan yang salah di tempat yang tepat, atau prediksi lain mendapat kombinasi intensitas yang benar tetapi di tempat yang salah, dan seterusnya.
DeepMind mengatakan akan merilis struktur semua protein yang diketahui sains. Perusahaan telah menggunakan kecerdasan buatan lipat protein AlphaFold untuk menghasilkan struktur untuk proteom manusia, serta untuk ragi, lalat buah, dan tikus.
Kolaborasi antara DeepMind dan Met Office adalah contoh yang baik dalam bekerja dengan pengguna akhir untuk menyelesaikan pengembangan AI. Jelas ini adalah ide yang bagus, tetapi sering kali tidak terjadi. Tim tersebut mengerjakan proyek tersebut selama beberapa tahun dan masukan dari para ahli dari Biro Meteorologi membentuk proyek tersebut. Suman Ravuri, seorang ilmuwan riset di DeepMind, mengatakan: "Ini mempromosikan pengembangan model kami dengan cara yang berbeda dari implementasi kami sendiri." "Kalau tidak, kita bisa membuat model yang pada akhirnya tidak akan berguna."
DeepMind juga ingin menunjukkan bahwa AI-nya memiliki aplikasi praktis. Bagi Shakir, DGMR dan AlphaFold adalah bagian dari cerita yang sama: perusahaan menggunakan pengalaman bertahun-tahun memecahkan teka-teki. Mungkin kesimpulan paling penting di sini adalah bahwa DeepMind akhirnya mulai membuat daftar masalah ilmiah dunia nyata.
Kemajuan dalam prakiraan cuaca
Prakiraan cuaca harus didukung oleh perkembangan teknologi saat kita semakin dekat untuk memahami sepenuhnya bagaimana atmosfer kita bekerja. Banyak kali manusia dan perhitungannya dapat mengalami kesalahan umum yang dapat dihindari dengan pengembangan kecerdasan buatan.
Prakiraan cuaca adalah kunci untuk menjadi manusia karena kita dapat memanfaatkan banyak hal sumber daya air yang lebih efisien dan menghindari beberapa bencana dalam badai dan hujan lebat. Untuk alasan ini, para ahli meteorologi semakin setuju untuk mengembangkan proyek kecerdasan buatan untuk memprediksi curah hujan.
Saya harap dengan informasi ini Anda dapat mempelajari lebih lanjut tentang proyek DeepMind dan karakteristiknya.