ອຸຕຸນິຍົມວິທະຍາເປັນຄວາມກ້າວ ໜ້າ ຍ້ອນການພັດທະນາເຕັກໂນໂລຍີ. ປະຈຸບັນ, ມີໂປຣແກມຄອມພິວເຕີຫຼາຍອັນທີ່ສາມາດຄາດຄະເນໂດຍກົງໄດ້ວ່າເວລາໃດແລະitົນຈະຕົກ. ບໍລິສັດຂອງ Deepmind ໄດ້ພັດທະນາປັນຍາປະດິດທີ່ມີຄວາມສາມາດຄາດຄະເນເກືອບແນ່ນອນວ່າwillົນຈະຕົກໃນເວລາໃດແລະຢູ່ໃສ. ບໍລິສັດນີ້ໄດ້ເຮັດວຽກຮ່ວມກັບນັກອຸຕຸນິຍົມວິທະຍາຂອງອັງກິດເພື່ອສ້າງຕົວແບບທີ່ດີກວ່າສໍາລັບການຄາດຄະເນໄລຍະສັ້ນກວ່າລະບົບປັດຈຸບັນ.
ໃນບົດຄວາມນີ້ພວກເຮົາຈະບອກເຈົ້າທຸກຢ່າງທີ່ເຈົ້າຕ້ອງການຮູ້ກ່ຽວກັບກະເປົາ Robleda, ເຕັກໂນໂລຍີການຄາດຄະເນອຸຕຸນິຍົມຂອງບໍລິສັດ DeepMind.
ພະຍາກອນອາກາດ
DeepMind, ບໍລິສັດປັນຍາປະດິດທີ່ມີ ສຳ ນັກງານຕັ້ງຢູ່ລອນດອນ, ສືບຕໍ່ອາຊີບການ ນຳ ໃຊ້ການຮຽນຮູ້ເລິກເຊິ່ງຕໍ່ກັບບັນຫາວິທະຍາສາດທີ່ຫຍຸ້ງຍາກ. DeepMind ໄດ້ພັດທະນາເຄື່ອງມືການຮຽນຮູ້ແບບເລິກເຊິ່ງເອີ້ນວ່າ DGMR ໂດຍການຮ່ວມມືກັບຫ້ອງການບໍລິການພະຍາກອນອາກາດແຫ່ງຊາດຂອງອັງກິດ, ເຊິ່ງສາມາດຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງrainົນຕົກໃນ 90 ນາທີຕໍ່ໄປ. ມັນເປັນນຶ່ງໃນສິ່ງທ້າທາຍທີ່ຫຍຸ້ງຍາກທີ່ສຸດໃນການພະຍາກອນອາກາດ.
ໃນການປຽບທຽບກັບເຄື່ອງມືທີ່ມີຢູ່, ຜູ້ຊ່ຽວຊານຫຼາຍສິບຄົນເຊື່ອວ່າການຄາດຄະເນຂອງ DGMR ແມ່ນດີທີ່ສຸດໃນຫຼາຍປັດໃຈ, ລວມທັງການຄາດຄະເນສະຖານທີ່, ໄລຍະ, ການເຄື່ອນທີ່ແລະຄວາມ ໜາ ຂອງrainົນ, 89% ຂອງເວລາ. ເຄື່ອງມືໃDeep່ຂອງ DeepMind ເປີດກະແຈໃin່ໃນຊີວະວິທະຍາທີ່ນັກວິທະຍາສາດພະຍາຍາມແກ້ໄຂມາເປັນເວລາຫຼາຍທົດສະວັດແລ້ວ.
ແນວໃດກໍ່ຕາມ, ແມ່ນແຕ່ການປັບປຸງເລັກນ້ອຍໃນການຄາດຄະເນແມ່ນສໍາຄັນ. ການຄາດຄະເນrainfallົນຕົກ, ໂດຍສະເພາະrainົນຕົກ ໜັກ, ແມ່ນມີຄວາມ ສຳ ຄັນຫຼາຍ ສຳ ລັບອຸດສາຫະ ກຳ ຕ່າງ from, ຈາກກິດຈະ ກຳ ກາງແຈ້ງໄປຫາການບໍລິການການບິນແລະເຫດສຸກເສີນ. ແຕ່ການເຮັດໃຫ້ມັນຖືກຕ້ອງແມ່ນຍາກ. ການກໍານົດຈໍານວນນໍ້າໃນທ້ອງຟ້າແລະເວລາແລະບ່ອນທີ່ມັນຈະຫຼຸດລົງແມ່ນຂຶ້ນກັບຫຼາຍຂະບວນການສະພາບອາກາດ, ຄືກັບການປ່ຽນແປງຂອງອຸນຫະພູມ, ການສ້າງເມຄ, ແລະລົມ. ປັດໃຈທັງtheseົດເຫຼົ່ານີ້ແມ່ນມີຄວາມຊັບຊ້ອນພຽງພໍຢູ່ໃນຕົວຂອງມັນເອງ, ແຕ່ມັນມີຄວາມຊັບຊ້ອນຫຼາຍຂຶ້ນເມື່ອລວມເຂົ້າກັນ.
ເຕັກໂນໂລຍີການຄາດຄະເນທີ່ມີຢູ່ທີ່ດີທີ່ສຸດໃຊ້ການຈໍາລອງຄອມພິວເຕີຈໍານວນຫຼວງຫຼາຍຂອງຟີຊິກບັນຍາກາດ. ສິ່ງເຫຼົ່ານີ້ເsuitableາະສົມກັບການພະຍາກອນໄລຍະຍາວ, ແຕ່ພວກມັນບໍ່ຄ່ອຍດີໃນການຄາດເດົາວ່າຈະເກີດຫຍັງຂຶ້ນໃນຊົ່ວໂມງຕໍ່ໄປ. ອັນນີ້ເອີ້ນວ່າການຄາດການທັນທີ.
ການພັດທະນາ DeepMind
ເທັກນິກການຮຽນຮູ້ເລິກເຊິ່ງຜ່ານມາໄດ້ຖືກພັດທະນາຂຶ້ນມາ, ແຕ່ວ່າເຕັກນິກເຫຼົ່ານີ້ປົກກະຕິແລ້ວເຮັດວຽກໄດ້ດີໃນດ້ານ ໜຶ່ງ ເຊັ່ນ: ການຄາດຄະເນສະຖານທີ່ແລະຄ່າໃຊ້ຈ່າຍຂອງອີກອັນ ໜຶ່ງ, ເຊັ່ນການຄາດຄະເນກໍາລັງ. ຂໍ້ມູນເລດາສໍາລັບrainົນຕົກ ໜັກ ທີ່ຊ່ວຍຄາດຄະເນrainົນຕົກໃນທັນທີຍັງເປັນສິ່ງທ້າທາຍອັນໃຫຍ່ຫຼວງສໍາລັບນັກອຸຕຸນິຍົມວິທະຍາ.
ທີມ DeepMind ໄດ້ໃຊ້ຂໍ້ມູນ radar ເພື່ອtrainຶກອົບຮົມ AI ຂອງເຂົາເຈົ້າ. ຫຼາຍປະເທດແລະເຂດແຄວ້ນມັກຈະເຜີຍແຜ່ພາບຖ່າຍຂອງການວັດແທກເຣດາທີ່ຕິດຕາມການສ້າງແລະການເຄື່ອນໄຫວຂອງເມຄຕະຫຼອດມື້. ຕົວຢ່າງ, ຢູ່ໃນອັງກິດ, ການອ່ານໃare່ຈະຖືກໂພສທຸກ every ຫ້ານາທີ. ໂດຍການວາງພາບຖ່າຍເຫຼົ່ານີ້ເຂົ້າກັນ, ເຈົ້າສາມາດໄດ້ຮັບວິດີໂອຢຸດການເຄື່ອນໄຫວທີ່ທັນສະໄ showing ສະແດງໃຫ້ເຫັນວ່າຮູບແບບrainົນຂອງປະເທດມີການປ່ຽນແປງແນວໃດ.
ນັກຄົ້ນຄວ້າສົ່ງຂໍ້ມູນນີ້ໄປຫາເຄືອຂ່າຍການຜະລິດທີ່ເລິກເຊິ່ງຄ້າຍຄືກັນກັບ GAN, ເຊິ່ງເປັນ AI ທີ່ໄດ້ຮັບການtrainedຶກອົບຮົມແລ້ວເຊິ່ງສາມາດສ້າງຕົວຢ່າງຂໍ້ມູນໃthat່ທີ່ຄ້າຍຄືກັນຫຼາຍກັບຂໍ້ມູນຕົວຈິງທີ່ໃຊ້ໃນການtrainingຶກອົບຮົມ. GAN ໄດ້ຖືກໃຊ້ເພື່ອສ້າງໃບ ໜ້າ ປອມ, ລວມທັງ Rembrandt ປອມ. ໃນກໍລະນີນີ້, DGMR (ເຊິ່ງຫຍໍ້ມາຈາກ "Generative Deep Rain Model") ໄດ້ຮຽນຮູ້ການສ້າງພາບຖ່າຍ radar ທີ່ບໍ່ຖືກຕ້ອງທີ່ສືບຕໍ່ລໍາດັບການວັດແທກຕົວຈິງ.
ການທົດລອງ AI DeepMind
Shakir Mohamed, ຜູ້ທີ່ນໍາພາການຄົ້ນຄ້ວາຢູ່ທີ່ DeepMind, ກ່າວວ່າອັນນີ້ແມ່ນຄືກັນກັບການເບິ່ງເຟຣມຈໍານວນນຶ່ງຈາກຮູບເງົາແລະຄາດເດົາວ່າຈະມີຫຍັງເກີດຂຶ້ນຕໍ່ໄປ. ເພື່ອທົດສອບວິທີການນີ້, ທີມງານໄດ້ສອບຖາມນັກອຸຕຸນິຍົມວິທະຍາ 56 ຄົນຈາກຫ້ອງການອຸຕຸນິຍົມວິທະຍາ (ຜູ້ທີ່ບໍ່ໄດ້ມີສ່ວນຮ່ວມໃນວຽກງານ) ເພື່ອເຈາະຈົງເຂົ້າໄປໃນການ ຈຳ ລອງທາງດ້ານຮ່າງກາຍທີ່ກ້າວ ໜ້າ ກວ່າແລະຊຸດຄູ່ແຂ່ງ.
89% ຂອງຄົນເວົ້າວ່າເຂົາເຈົ້າມັກຜົນການຊອກຫາທີ່ໃຫ້ໂດຍ DGMR. ກົນໄກການຮຽນຮູ້ເຄື່ອງຈັກໂດຍທົ່ວໄປແລ້ວພະຍາຍາມເພີ່ມປະສິດທິພາບໃຫ້ກັບການວັດແທກງ່າຍ simple ວ່າການຄາດຄະເນຂອງເຈົ້າດີສໍ່າໃດ. ແນວໃດກໍ່ຕາມ, ການພະຍາກອນອາກາດມີຫຼາຍດ້ານທີ່ແຕກຕ່າງກັນ. ບາງທີການຄາດຄະເນໄດ້ຄວາມຮຸນແຮງrainົນຕົກຜິດໃນບ່ອນທີ່ເາະສົມ, ຫຼືການຄາດຄະເນອື່ນໄດ້ຮັບການປະສົມປະສານທີ່ຖືກຕ້ອງຂອງຄວາມເຂັ້ມຂຸ້ນແຕ່ຢູ່ໃນບ່ອນທີ່ບໍ່ຖືກຕ້ອງ, ແລະອື່ນ on.
DeepMind ກ່າວວ່າມັນຈະປ່ອຍໂຄງສ້າງຂອງໂປຣຕີນທັງknownົດທີ່ຮູ້ຈັກກັບວິທະຍາສາດ. ບໍລິສັດໄດ້ ນຳ ໃຊ້ປັນຍາປະດິດແບບພັບ AlphaFold ເພື່ອສ້າງໂຄງສ້າງ ສຳ ລັບໂປຣຕີນໂປຣຕີນຂອງມະນຸດ, ລວມທັງເຊື້ອລາ, ແມງວັນfruitາກໄມ້ແລະ ໜູ.
ການຮ່ວມມືລະຫວ່າງ DeepMind ແລະ Met Office ເປັນຕົວຢ່າງທີ່ດີຂອງການເຮັດວຽກຮ່ວມກັບຜູ້ໃຊ້ສຸດທ້າຍເພື່ອພັດທະນາ AI ໃຫ້ສໍາເລັດ. ແນ່ນອນນີ້ແມ່ນຄວາມຄິດທີ່ດີ, ແຕ່ມັນມັກຈະບໍ່ເກີດຂຶ້ນ. ທີມງານໄດ້ເຮັດວຽກຢູ່ໃນໂຄງການເປັນເວລາຫຼາຍປີແລະໄດ້ຮັບຄໍາເຫັນຈາກຜູ້ຊ່ຽວຊານຈາກສໍານັກງານອຸຕຸນິຍົມວິທະຍາເປັນຜູ້ວາງແຜນໂຄງການ. Suman Ravuri, ນັກວິທະຍາສາດການຄົ້ນຄວ້າຢູ່ທີ່ DeepMind ກ່າວວ່າ: "ມັນສົ່ງເສີມການພັດທະນາຮູບແບບຂອງພວກເຮົາໃນທາງທີ່ແຕກຕ່າງຈາກການຈັດຕັ້ງປະຕິບັດຂອງພວກເຮົາເອງ." "ຖ້າບໍ່ດັ່ງນັ້ນ, ພວກເຮົາສາມາດສ້າງແບບຈໍາລອງທີ່ຈະບໍ່ເປັນປະໂຫຍດໂດຍສະເພາະໃນທີ່ສຸດ."
DeepMind ຍັງມີຄວາມກະຕືລືລົ້ນທີ່ຈະສະແດງໃຫ້ເຫັນວ່າ AI ຂອງມັນມີການ ນຳ ໃຊ້ພາກປະຕິບັດຕົວຈິງ. ສໍາລັບ Shakir, DGMR ແລະ AlphaFold ແມ່ນສ່ວນ ໜຶ່ງ ຂອງເລື່ອງດຽວກັນ: ບໍລິສັດໃຊ້ປະສົບການຫຼາຍປີຂອງເຂົາເຈົ້າໃນການແກ້ໄຂປິດສະ ໜາ. ບາງທີການສະຫລຸບທີ່ສໍາຄັນທີ່ສຸດຢູ່ທີ່ນີ້ສຸດທ້າຍແມ່ນ DeepMind ໄດ້ເລີ່ມບັນຊີລາຍຊື່ບັນຫາທາງວິທະຍາສາດຕົວຈິງ.
ຄວາມກ້າວ ໜ້າ ໃນການພະຍາກອນອາກາດ
ການພະຍາກອນອາກາດຕ້ອງໄດ້ຮັບການສະ ໜັບ ສະ ໜູນ ຈາກການພັດທະນາຂອງເຕັກໂນໂລຍີເພາະວ່າພວກເຮົາເຂົ້າໃກ້ແລະເຂົ້າໃກ້ເພື່ອເຂົ້າໃຈຢ່າງເຕັມທີ່ວ່າບັນຍາກາດຂອງພວກເຮົາເຮັດວຽກແນວໃດ. ຫຼາຍຄັ້ງມະນຸດແລະການຄິດໄລ່ຂອງລາວສາມາດຢູ່ພາຍໃຕ້ຄວາມຜິດພາດທົ່ວໄປທີ່ສາມາດຫຼີກລ່ຽງໄດ້ດ້ວຍການພັດທະນາປັນຍາປະດິດ.
ການພະຍາກອນອາກາດເປັນກຸນແຈ ສຳ ຄັນໃນການເປັນມະນຸດເພາະວ່າພວກເຮົາສາມາດໃຊ້ປະໂຫຍດໄດ້ຫຼາຍຢ່າງ ຊັບພະຍາກອນນໍ້າທີ່ມີປະສິດທິພາບກວ່າແລະຫຼີກເວັ້ນໄພພິບັດບາງຢ່າງໃນພາຍຸແລະrainsົນຕົກ ໜັກ. ດ້ວຍເຫດນີ້, ນັກອຸຕຸນິຍົມວິທະຍາຈຶ່ງຕົກລົງເຫັນດີພັດທະນາໂຄງການປັນຍາປະດິດເພື່ອຄາດການ.ົນຕົກ.
ຂ້ອຍຫວັງວ່າດ້ວຍຂໍ້ມູນນີ້ເຈົ້າສາມາດຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບໂຄງການ DeepMind ແລະລັກສະນະຂອງມັນ.
ເປັນຄົນທໍາອິດທີ່ຈະໃຫ້ຄໍາເຫັນ