DeepMind AI kan bedre forutsi vær

Deepmind AI

Meteorologi som vitenskap går fremover takket være teknologiutviklingen. For tiden er det flere dataprogrammer som direkte kan forutsi når og hvor det vil regne. Selskapet til DeepMind har utviklet en kunstig intelligens som er i stand til å forutsi nesten nøyaktig når og hvor det vil regne. Dette selskapet har jobbet med britiske meteorologer for å lage en modell som er bedre for å lage kortsiktige spådommer enn dagens systemer.

I denne artikkelen skal vi fortelle deg alt du trenger å vite om Robleda -vesken, den meteorologiske prediksjonsteknologien til selskapet DeepMind.

Værmelding

deepmind

DeepMind, et London-basert selskap for kunstig intelligens, fortsetter sin karriere med å bruke dyp læring på vanskelige vitenskapelige problemer. DeepMind har utviklet et verktøy for dyp læring kalt DGMR i samarbeid med British National Weather Service's Met Office, som nøyaktig kan forutsi sannsynligheten for regn i løpet av de neste 90 minuttene. Det er en av de vanskeligste utfordringene innen værmelding.

I en sammenligning med eksisterende verktøy, mener dusinvis av eksperter at DGMRs spådommer er de beste på flere faktorer, inkludert dens spådommer om beliggenhet, rekkevidde, bevegelse og intensitet av regn, 89% av tiden. DeepMinds nye verktøy åpner en ny nøkkel i biologi som forskere har prøvd å løse i flere tiår.

Imidlertid er selv små forbedringer i spådommer viktige. Forutsigelse av nedbør, spesielt kraftig regn, er kritisk for mange bransjer, fra utendørsaktiviteter til luftfartstjenester og nødssituasjoner. Men å få det riktig er vanskelig. Å bestemme hvor mye vann som er på himmelen og når og hvor det vil falle, avhenger av mange klimaprosesser, som temperaturendringer, skydannelse og vind. Alle disse faktorene er komplekse nok i seg selv, men de er mer komplekse når de kombineres.

Den beste tilgjengelige prediksjonsteknologien bruker et stort antall datasimuleringer av atmosfærisk fysikk. Disse er egnet for langtidsvarsler, men de er ikke veldig flinke til å forutsi hva som vil skje i løpet av den neste timen. Dette kalles en umiddelbar prognose.

DeepMind -utvikling

utvikling av værmeldinger

Tidligere dype læringsteknikker har blitt utviklet, men disse teknikkene fungerer vanligvis godt på en måte, for eksempel å forutsi plassering og på bekostning av en annen, for eksempel å forutsi kraft. Radardata for kraftig regn som hjelper til med å forutsi umiddelbar regn, er fortsatt en stor utfordring for meteorologer.

DeepMind -teamet brukte radardata for å trene AI. Mange land og regioner publiserer ofte øyeblikksbilder av radarmålinger som sporer skyformasjon og bevegelse gjennom dagen. For eksempel, i Storbritannia, blir nye avlesninger lagt ut hvert femte minutt. Ved å sette disse bildene sammen kan du få en oppdatert stop-motion-video som viser hvordan regnmønsteret i et land endres.

Forskerne sender disse dataene til et dypgenerasjonsnettverk som ligner på GAN, som er en utdannet AI som kan generere nye dataprøver som er veldig like de faktiske dataene som ble brukt i trening. GAN har blitt brukt til å generere falske ansikter, inkludert den falske Rembrandt. I dette tilfellet har DGMR (som står for "Generative Deep Rain Model") lært å generere falske radarbilder som fortsetter den faktiske målesekvensen.

DeepMind AI -eksperimenter

Værmelding

Shakir Mohamed, som ledet forskningen ved DeepMind, sa at dette er det samme som å se noen bilder fra en film og gjette hva som vil skje videre. For å teste denne metoden ba teamet 56 meteorologer fra Bureau of Meteorology (som ikke var involvert i arbeidet) om å fordype seg i de mer avanserte fysiske simuleringene og et sett med motstandere.

89% av menneskene sa at de foretrekker resultatene gitt av DGMR. Maskinlæringsalgoritmer prøver vanligvis å optimalisere for et enkelt mål på hvor gode spådommene dine er. Værmeldingen har imidlertid mange forskjellige aspekter. Kanskje en prediksjon fikk feil regnintensitet på rett stedeller annen prediksjon fikk den riktige kombinasjonen av intensiteter, men på feil sted, og så videre.

DeepMind sa at det vil frigjøre strukturen til alle proteiner kjent for vitenskapen. Selskapet har brukt sin kunstige intelligens AlphaFold proteinfolding for å generere strukturer for det menneskelige proteomet, så vel som for gjær, fruktfluer og mus.

Samarbeidet mellom DeepMind og Met Office er et godt eksempel på å jobbe med sluttbrukere for å fullføre AI -utvikling. Dette er åpenbart en god idé, men det skjer ofte ikke. Teamet jobbet med prosjektet i flere år, og innspill fra eksperter fra Bureau of Meteorology formet prosjektet. Suman Ravuri, forsker ved DeepMind, sa: "Det fremmer utviklingen av modellen vår på en annen måte enn vår egen implementering." "Ellers kunne vi ha laget en modell som ikke ville være spesielt nyttig til slutt."

DeepMind er også ivrig etter å vise at AI har praktiske applikasjoner. For Shakir er DGMR og AlphaFold en del av den samme historien: selskapet bruker sine mange års erfaring med å løse gåter. Den kanskje viktigste konklusjonen her er at DeepMind endelig har begynt å liste opp vitenskapelige problemer i virkeligheten.

Fremskritt innen værmelding

Værmeldinger må støttes av teknologisk utvikling, ettersom vi kommer nærmere og nærmere en fullstendig forståelse av hvordan atmosfæren vår fungerer. Mange ganger kan mennesket og hans beregninger bli utsatt for vanlige feil som kan unngås ved utvikling av kunstig intelligens.

Værmeldinger er nøkkelen til å være mennesker siden vi kan dra nytte av mye mer effektive vannressurser og unngå noen katastrofer i uvær og kraftig regn. Av denne grunn er meteorologer stadig mer enige om å utvikle kunstig intelligens -prosjekter for å forutsi nedbør.

Jeg håper at du med denne informasjonen kan lære mer om DeepMind -prosjektet og dets egenskaper.


Innholdet i artikkelen følger våre prinsipper for redaksjonell etikk. Klikk på for å rapportere en feil her.

Bli den første til å kommentere

Legg igjen kommentaren

Din e-postadresse vil ikke bli publisert. Obligatoriske felt er merket med *

*

*

  1. Ansvarlig for dataene: Miguel Ángel Gatón
  2. Formålet med dataene: Kontroller SPAM, kommentaradministrasjon.
  3. Legitimering: Ditt samtykke
  4. Kommunikasjon av dataene: Dataene vil ikke bli kommunisert til tredjeparter bortsett fra ved juridisk forpliktelse.
  5. Datalagring: Database vert for Occentus Networks (EU)
  6. Rettigheter: Når som helst kan du begrense, gjenopprette og slette informasjonen din.