गूगल डीपमाइंड का नया एआई मॉडल जेनकास्ट, पारंपरिक मौसम विज्ञान के साथ प्रतिस्पर्धा करने के लिए पर्याप्त सटीक है। हाल ही में प्रकाशित शोध के अनुसार, 2019 के आंकड़ों पर आधारित परीक्षणों में इसने एक अग्रणी पूर्वानुमान मॉडल से बेहतर प्रदर्शन किया। 🌦️✨

एआई निकट भविष्य में पारंपरिक मौसम विज्ञान का स्थान नहीं ले सकेगा, लेकिन यह मौसम की भविष्यवाणी करने और गंभीर तूफानों के बारे में जनता को सचेत करने के लिए मूल्यवान उपकरण प्रदान कर सकता है। जेनकास्ट कई में से एक है विकास में एआई मॉडल जिससे अधिक सटीक पूर्वानुमान लगाया जा सकेगा। 🤖⛈️

“जलवायु हमारे जीवन के लगभग हर पहलू को प्रभावित करती है… और यह सबसे बड़ी चुनौतियों में से एक भी है वैज्ञानिक चुनौतियाँ डीपमाइंड के वरिष्ठ वैज्ञानिक इलान प्राइस कहते हैं, "गूगल डीपमाइंड का मिशन है कि हम इसकी भविष्यवाणी करें।" लाभ के लिए एआई को आगे बढ़ाना मानवता की. मैं समझता हूं कि यह एक महत्वपूर्ण तरीका है, इस अर्थ में यह एक प्रमुख योगदान है।” 🌈📊

प्राइस और उनकी टीम ने जेनकास्ट के साथ मिलकर ईएनएस प्रणाली पर परीक्षण किया, जो दुनिया के सबसे उन्नत पूर्वानुमान मॉडलों में से एक है, जिसका प्रबंधन यूरोपियन सेंटर फॉर मीडियम-रेंज वेदर फोरकास्ट (ईसीएस) द्वारा किया जाता है।ईसीएमडब्ल्यूएफ). शोध के अनुसार, जेनकास्ट ने 97.2% समय में ENS से बेहतर प्रदर्शन किया। इस सप्ताह पत्रिका में प्रकाशित प्रकृति. 📈🧐

जेनकास्ट एक मशीन लर्निंग-आधारित मौसम पूर्वानुमान मॉडल है, जिसे 1979 से 2018 तक के जलवायु डेटा पर प्रशिक्षित किया गया है। यह मॉडल चार दशकों के ऐतिहासिक डेटा में पैटर्न को पहचानना सीखता है और भविष्य में क्या हो सकता है, इसका पूर्वानुमान लगाने के लिए उस जानकारी का उपयोग करता है। यह ई.एन.एस. जैसे पारंपरिक मॉडलों से बहुत अलग है, जो जटिल समीकरणों को हल करने और वायुमंडल के भौतिकी का अनुकरण करने के लिए अभी भी सुपर कंप्यूटरों पर निर्भर हैं। जेनकास्ट और ईएनएस दोनों ही उत्पादन करते हैं समग्र रूप से पूर्वानुमान, जो विभिन्न संभावित परिदृश्य प्रस्तुत करते हैं। 🌌🌪️

उदाहरण के लिए, किसी उष्णकटिबंधीय चक्रवात के मार्ग का पूर्वानुमान लगाकर, जेनकास्ट औसतन 12 घंटे पहले चेतावनी दे सकता है। जेनकास्ट सामान्यतः चक्रवाती पथों, चरम मौसम की घटनाओं, तथा पवन ऊर्जा उत्पादन का 15 दिन पहले तक पूर्वानुमान लगाने में बेहतर है। 🌪️⏳

एक चेतावनी यह है कि जेनकास्ट का परीक्षण ईएनएस के पुराने संस्करण के विरुद्ध किया गया था, जो अब उच्चतर रिज़ॉल्यूशन. समकक्ष-समीक्षित शोध में जेनकास्ट के पूर्वानुमानों की तुलना 2019 के लिए ईएनएस पूर्वानुमानों से की गई है, तथा विश्लेषण किया गया है कि प्रत्येक मॉडल उस वर्ष की वास्तविक स्थितियों से कितनी निकटता से मेल खाता है। ईसीएमडब्ल्यूएफ मशीन लर्निंग समन्वयक मैट चैंट्री के अनुसार, 2019 के बाद से ईएनएस प्रणाली में काफी सुधार हुआ है, जिससे यह आकलन करना मुश्किल हो गया है कि जेनकास्ट की तुलना आज ईएनएस से कैसे की जा सकती है। 🔍📉

यह स्पष्ट है कि ठोस भविष्यवाणियां करने में संकल्प ही एकमात्र महत्वपूर्ण कारक नहीं है। ENS 2019 में पहले से ही GenCast की तुलना में थोड़े उच्च रिज़ॉल्यूशन पर काम कर रहा था, फिर भी GenCast इसे पार करने में कामयाब रहा। डीपमाइंड का दावा है कि उसने 2020 से 2022 तक के डेटा के साथ इसी तरह के अध्ययन किए हैं और समान परिणाम पाए हैं, हालांकि इसकी समीक्षा नहीं की गई है। हालाँकि, 2023 के लिए तुलना करने हेतु कोई डेटा उपलब्ध नहीं था, जब ENS ने काफी उच्च रिज़ॉल्यूशन पर काम करना शुरू किया। 📊📈

विश्व को एक ग्रिड में विभाजित करते हुए, जेनकास्ट 0.25 डिग्री के रिज़ॉल्यूशन पर कार्य करता है, जिसका अर्थ है कि ग्रिड में प्रत्येक वर्ग एक-चौथाई डिग्री अक्षांश तथा एक-चौथाई डिग्री देशांतर को मापता है। तुलना करें तो, ईएनएस ने 2019 में 0.2 डिग्री का रिज़ॉल्यूशन इस्तेमाल किया था और अब यह 0.1 डिग्री पर है। 🌍🗺️

हालांकि, चैंट्री ने ईमेल द्वारा जारी एक बयान में कहा कि जेनकास्ट का विकास "मौसम पूर्वानुमान के विकास में एक महत्वपूर्ण मील का पत्थर है।" ईएनएस के साथ-साथ ईसीएमडब्ल्यूएफ भी अपना स्वयं का संस्करण चला रहा है मशीन लर्निंग सिस्टम. चैंट्री ने टिप्पणी की कि वह "जेनकास्ट से कुछ प्रेरणा लेते हैं।" 🌟🤓

गति GenCast के लिए एक फायदा है। आप एकल Google क्लाउड TPU v5 का उपयोग करके केवल आठ मिनट में 15-दिन का पूर्वानुमान तैयार कर सकते हैं। ईएनएस जैसे भौतिकी-आधारित मॉडल को ऐसा करने में कई घंटे लग सकते हैं। जेनकास्ट उन सभी समीकरणों को छोड़ देता है जिन्हें ENS को हल करना होता है, जिससे यह स्पष्ट होता है कि पूर्वानुमान तैयार करने के लिए उसे कम समय और कंप्यूटिंग शक्ति की आवश्यकता क्यों होती है। ⚡️💻

"कम्प्यूटेशनल दृष्टि से, यह बहुत अधिक महंगा है एक मॉडल के विरुद्ध पारंपरिक पूर्वानुमान चलाना जेनकास्ट की तरह,” प्राइस कहते हैं। 💰📉

यह दक्षता एआई डेटा केंद्रों के पर्यावरणीय प्रभाव के बारे में कुछ चिंताओं को कम करने में मदद कर सकती है, जिन्होंने हाल के वर्षों में Google के ग्रीनहाउस गैस उत्सर्जन में वृद्धि में पहले ही योगदान दिया है। हालांकि, यह आकलन करना कठिन है कि मशीन लर्निंग मॉडल को प्रशिक्षित करने में कितनी ऊर्जा का उपयोग किया जाता है, बिना यह जाने कि स्थिरता के संदर्भ में जेनकास्ट भौतिकी-आधारित मॉडलों की तुलना में कैसा है। 🏭♻️

जेनकास्ट अभी भी कुछ सुधार कर सकता है, जिसमें उच्च रिज़ोल्यूशन तक स्केल करने की क्षमता भी शामिल है। इसके अतिरिक्त, जेनकास्ट 12 घंटे के अंतराल पर पूर्वानुमान जारी करता है, जबकि पारंपरिक मॉडल आमतौर पर कम अंतराल पर पूर्वानुमान जारी करते हैं। यह इस बात को प्रभावित कर सकता है कि इन पूर्वानुमानों का वास्तविक दुनिया में कैसे उपयोग किया जा सकता है (उदाहरण के लिए, यह आकलन करने के लिए कि कितनी पवन ऊर्जा उपलब्ध होगी) 🌪️⚡️।

फ्लोरिडा विश्वविद्यालय में मौसम विज्ञान के सहायक प्रोफेसर स्टीफन मुलेंस, जो जेनकास्ट शोध में शामिल नहीं थे, कहते हैं, "आप जानना चाहते हैं कि हवा पूरे दिन कैसा व्यवहार करेगी, न कि केवल सुबह 6 बजे और शाम 6 बजे।" 🌞🌬️

यद्यपि इस बात में रुचि बढ़ रही है कि पूर्वानुमान को बेहतर बनाने के लिए एआई का उपयोग कैसे किया जा सकता है, परन्तु अभी तक इसकी प्रभावशीलता साबित नहीं हुई है। "लोग इस पर नज़र रख रहे हैं। मुझे नहीं लगता कि पूरा मौसम विज्ञान समुदाय इससे सहमत है," मुलेंस ने कहा। "हम प्रशिक्षित वैज्ञानिक हैं जो भौतिकी के संदर्भ में सोचते हैं... और क्योंकि AI मूल रूप से भौतिकी नहीं है, फिर भी एक तत्व है जहाँ हम पूछ रहे हैं, 'क्या यह अच्छा है? और क्यों?'" 🤷‍♂️⚖️

पूर्वानुमानकर्ता स्वयं जेनकास्ट का प्रयास कर सकते हैं; डीपमाइंड ने प्रकाशित किया कोड अपने ओपन सोर्स मॉडल से। प्राइस का कहना है कि वह जेनकास्ट और अन्य को देखते हैं उन्नत एआई मॉडल पारंपरिक मॉडलों के साथ-साथ वास्तविक दुनिया में भी इसका उपयोग किया जा रहा है। प्राइस कहते हैं, "एक बार जब ये मॉडल पेशेवरों के हाथों में आ जाते हैं, तो अधिक भरोसा और आत्मविश्वास पैदा होता है।" "हम वास्तव में चाहते हैं कि इसका व्यापक सामाजिक प्रभाव हो।" 🌍💡