GenCast, nowy model sztucznej inteligencji firmy Google DeepMind, jest wystarczająco dokładny, by konkurować z tradycyjną meteorologią. Według niedawno opublikowanych badań, w testach wykorzystujących dane z 2019 r. model ten uzyskał lepsze wyniki niż wiodący model prognostyczny. 🌦️✨

Sztuczna inteligencja nie zastąpi tradycyjnej meteorologii w najbliższej przyszłości, może jednak zapewnić cenne narzędzia do przewidywania pogody i ostrzegania społeczeństwa o gwałtownych burzach. GenCast jest jednym z kilku Modele AI w fazie rozwoju co może prowadzić do dokładniejszych prognoz. 🤖⛈️

„Klimat wpływa praktycznie na każdy aspekt naszego życia… i jest również jednym z największych wyzwania naukowe „przewidzieć to”, mówi Ilan Price, starszy naukowiec w DeepMind. „Google DeepMind ma misję, aby rozwijanie sztucznej inteligencji dla dobra ludzkości. Uważam, że to ważna droga, kluczowy wkład w tym sensie”. 🌈📊

Price i jego zespół przeprowadzili testy z GenCast w oparciu o system ENS, jeden z najnowocześniejszych na świecie modeli prognostycznych, zarządzany przez Europejskie Centrum Prognoz Średnioterminowych (ECMWF). Według badań, w tamtym czasie GenCast uzyskał lepsze wyniki niż ENS 97.2%. opublikowano w tym tygodniu w magazynie Natura. 📈🧐

GenCast to oparty na uczeniu maszynowym model prognozowania pogody trenowany na danych klimatycznych z lat 1979–2018. Model ten uczy się rozpoznawać wzorce w czterech dekadach danych historycznych i wykorzystuje te informacje do przewidywania, co może się wydarzyć w przyszłości. To znacznie różni się od sposobu działania tradycyjnych modeli, takich jak ENS, które nadal opierają się na superkomputerach rozwiązujących złożone równania i symulujących fizykę atmosfery. Zarówno GenCast, jak i ENS produkują prognozy jako całość, które oferują szereg możliwych scenariuszy. 🌌🌪️

Przykładowo, prognozując trasę cyklonu tropikalnego, GenCast może zapewnić ostrzeżenie średnio z 12-godzinnym wyprzedzeniem. GenCast jest ogólnie skuteczniejszy w przewidywaniu tras cyklonów, ekstremalnych zjawisk pogodowych i produkcji energii wiatrowej nawet z 15-dniowym wyprzedzeniem. 🌪️⏳

Jednym zastrzeżeniem jest to, że GenCast został przetestowany na starszej wersji ENS, która obecnie działa z prędkością wyższa rozdzielczość. Recenzowane badanie porównuje przewidywania GenCast z prognozami ENS na rok 2019, analizując, w jakim stopniu każdy model odpowiadał rzeczywistym warunkom w danym roku. Zdaniem Matta Chantry’ego, koordynatora ds. uczenia maszynowego w ECMWF, system ENS znacznie się udoskonalił od 2019 r., co utrudnia ocenę, jak GenCast wypada w porównaniu z obecnym systemem ENS. 🔍📉

Oczywiste jest, że rozdzielczość nie jest jedynym ważnym czynnikiem wpływającym na trafność przewidywań. ENS już w 2019 r. pracował w nieco wyższej rozdzielczości niż GenCast, a mimo to GenCast zdołał go prześcignąć. Firma DeepMind twierdzi, że przeprowadziła podobne badania z wykorzystaniem danych z lat 2020–2022 i uzyskała podobne wyniki, choć wyniki te nie zostały jeszcze poddane recenzji. Brakowało jednak danych porównawczych dla roku 2023, kiedy to ENS zaczął działać ze znacznie wyższą rozdzielczością. 📊📈

Dzieląc świat na siatkę, GenCast działa z rozdzielczością 0,25 stopnia, co oznacza, że każdy kwadrat w tej siatce jest równy jednej czwartej stopnia szerokości geograficznej i jednej czwartej stopnia długości geograficznej. Dla porównania, w 2019 r. rozdzielczość ENS wynosiła 0,2 stopnia, a obecnie wynosi 0,1 stopnia. 🌍🗺️

Jednakże opracowanie GenCast „stanowi znaczący kamień milowy w ewolucji prognozowania pogody” – stwierdził Chantry w oświadczeniu przesłanym pocztą elektroniczną. Oprócz ENS, ECMWF prowadzi również własną wersję system uczenia maszynowego. Chantry komentuje, że „czerpie pewną inspirację z GenCast”. 🌟🤓

Prędkość jest zaletą GenCast. Korzystając z jednego rozwiązania Google Cloud TPU v5, możesz wygenerować 15-dniową prognozę w zaledwie osiem minut. Modele oparte na fizyce, takie jak ENS, mogłyby potrzebować kilku godzin, aby wykonać to samo. GenCast pomija wszystkie równania, które musi rozwiązać ENS, co wyjaśnia, dlaczego wygenerowanie prognozy wymaga mniej czasu i mocy obliczeniowej. ⚡️💻

„Pod względem obliczeniowym jest to o wiele droższe rozwiązanie uruchamiać tradycyjne prognozy w oparciu o model „Podobnie jak GenCast” – mówi Price. 💰📉

Taka wydajność może pomóc złagodzić niektóre obawy dotyczące wpływu centrów danych AI na środowisko, które w ostatnich latach przyczyniły się do zwiększonej emisji gazów cieplarnianych przez Google. Trudno jednak ocenić, jak GenCast wypada na tle modeli opartych na fizyce pod względem zrównoważonego rozwoju, nie wiedząc, ile energii zużywa się na trenowanie modelu uczenia maszynowego. 🏭♻️

GenCast może jeszcze wiele udoskonalić, m.in. możliwość skalowania do wyższej rozdzielczości. Ponadto GenCast wydaje prognozy co 12 godzin, podczas gdy tradycyjne modele zazwyczaj wydają prognozy w krótszych odstępach. Może to mieć wpływ na sposób wykorzystania tych prognoz w świecie rzeczywistym (na przykład do oceny, jaka ilość energii wiatrowej będzie dostępna) 🌪️⚡️.

„Chcesz wiedzieć, jak wiatr będzie się zachowywał przez cały dzień, a nie tylko o 6 rano i 6 wieczorem” — mówi Stephen Mullens, adiunkt meteorologii na University of Florida, który nie brał udziału w badaniach GenCast. 🌞🌬️

Choć obserwuje się rosnące zainteresowanie wykorzystaniem sztucznej inteligencji do poprawy prognozowania, jej skuteczność nie została jeszcze potwierdzona. „Ludzie na to patrzą. Nie sądzę, żeby cała społeczność meteorologiczna była tym przekonana” – powiedział Mullens. „Jesteśmy wyszkolonymi naukowcami, którzy myślą w kategoriach fizyki… a ponieważ AI nie jest fundamentalnie fizyką, nadal jest element, w którym pytamy: „Czy to jest dobre? I dlaczego?”” 🤷‍♂️⚖️

Prognostycy mogą wypróbować GenCast samodzielnie; DeepMind opublikował kod z modelu open source. Price mówi, że widzi GenCast i innych ulepszone modele AI używane w świecie rzeczywistym obok tradycyjnych modeli. „Kiedy te modele trafiają w ręce profesjonalistów, buduje się większe zaufanie i pewność” – mówi Price. „Naprawdę chcemy, żeby to miało szeroki wpływ społeczny”. 🌍💡