Model przewidywania pogody AI firmy Google jest całkiem niezły

GenCast, nowy model sztucznej inteligencji od Google DeepMind, jest na tyle dokładny, iż może konkurować z tradycyjnymi prognozami pogody. Z niedawno opublikowanych badań wynika, iż ​​w testach na danych z 2019 r. okazał się on lepszy od wiodącego modelu prognostycznego.

Sztuczna inteligencja nie zastąpi w najbliższym czasie tradycyjnego prognozowania, ale może wzbogacić arsenał narzędzi używanych do przewidywania pogody i ostrzegania społeczeństwa o silnych burzach. GenCast to jedna z kilku prognoz pogody AI opracowywane modele co mogłoby prowadzić do dokładniejszych prognoz.

„Pogoda w zasadzie wpływa na każdy aspekt naszego życia… jest także jednym z największych wyzwań naukowych, polegającym na przewidywaniu pogody” – mówi Ilan Price, starszy pracownik naukowy w DeepMind. „Google DeepMind ma misję rozwijania sztucznej inteligencji z korzyścią dla ludzkości. Myślę, iż jest to istotny sposób i istotny wkład w tym zakresie”.

Price i jego współpracownicy przetestowali GenCast w porównaniu z systemem ENS, jednym z najlepszych na świecie modeli prognostycznych prowadzonym przez Europejskie Centrum Prognoz Średnioterminowych (ECMWF). Badania wykazały, iż GenCast osiągał lepsze wyniki niż ENS w 97,2% przypadków opublikowany w tym tygodniu w czasopiśmie Natura.

GenCast to model prognozowania pogody oparty na uczeniu maszynowym, wytrenowany na danych pogodowych z lat 1979–2018. Model uczy się rozpoznawać wzorce występujące w danych historycznych z czterech dekad i wykorzystuje je do przewidywania tego, co może wydarzyć się w przyszłości. To bardzo różni się od sposobu działania tradycyjnych modeli, takich jak ENS, które przez cały czas opierają się na superkomputerach do rozwiązywania złożonych równań w celu symulowania fizyki atmosfery. Produkują zarówno GenCast, jak i ENS prognozy zespołowektóre oferują szereg możliwych scenariuszy.

Na przykład, jeżeli chodzi o przewidywanie ścieżki cyklonu tropikalnego, GenCast był w stanie zapewnić ostrzeżenie średnio z dodatkowym 12-godzinnym wyprzedzeniem. GenCast ogólnie lepiej radził sobie z przewidywaniem śladów cyklonów, ekstremalnych warunków pogodowych i produkcji energii wiatrowej z wyprzedzeniem do 15 dni.

Jedynym zastrzeżeniem jest to, iż GenCast przetestował się w porównaniu ze starszą wersją ENS, która teraz działa w wyższej rozdzielczości. W recenzowanym badaniu porównano prognozy GenCast z prognozami ENS na rok 2019, sprawdzając, jak bardzo każdy model zbliżył się do warunków rzeczywistych w tym roku. Według koordynatora uczenia maszynowego ECMWF, Matta Chantry’ego, system ENS znacznie się poprawił od 2019 r. To sprawia, iż ​​trudno powiedzieć, jak dobrze GenCast może dzisiaj spisać się na tle ENS.

Oczywiście rozdzielczość nie jest jedynym ważnym czynnikiem, jeżeli chodzi o formułowanie trafnych przewidywań. ENS pracował już w nieco wyższej rozdzielczości niż GenCast w 2019 roku, a GenCast i tak zdołał ją przebić. DeepMind twierdzi, iż przeprowadził podobne badania na danych z lat 2020–2022 i uzyskał podobne wyniki, chociaż nie zostały one zweryfikowane. Nie dysponował jednak danymi pozwalającymi na dokonanie porównań dla roku 2023, kiedy ENS zaczął działać w znacznie wyższej rozdzielczości.

Dzieląc świat na siatkę, GenCast działa z rozdzielczością 0,25 stopnia, co oznacza, iż ​​każdy kwadrat tej siatki ma ćwierć stopnia szerokości geograficznej i ćwierć stopnia długości geograficznej. Dla porównania, w 2019 roku ENS stosował rozdzielczość 0,2 stopnia, a w tej chwili wynosi 0,1 stopnia.

Niemniej jednak rozwój GenCast „stanowi znaczący kamień milowy w ewolucji prognozowania pogody” – stwierdziła Chantry w oświadczeniu przesłanym pocztą elektroniczną. Oprócz ENS, ECMWF twierdzi, iż prowadzi także własną wersję pliku system uczenia maszynowego. Chantry twierdzi, iż „czerpie inspirację z GenCast”.

Szybkość jest zaletą GenCast. Może wygenerować jedną 15-dniową prognozę w zaledwie osiem minut przy użyciu jednego Google Cloud TPU v5. Modele oparte na fizyce, takie jak ENS, mogą potrzebować kilku godzin, aby zrobić to samo. GenCast omija wszystkie równania, które ENS musi rozwiązać, dlatego sporządzenie prognozy zajmuje mniej czasu i mocy obliczeniowej.

„Z obliczeniowego punktu widzenia prowadzenie tradycyjnych prognoz jest o rząd wielkości droższe w porównaniu z modelem takim jak Gencast” – mówi Price.

Wydajność ta może złagodzić niektóre obawy dotyczące wpływu na środowisko energochłonne centra danych AIktóre już to zrobiły przyczyniły się do wzrostu emisji gazów cieplarnianych przez Google w ostatnich latach. Trudno jednak ocenić, jak GenCast wypada na tle modeli opartych na fizyce, jeżeli chodzi o zrównoważony rozwój, nie wiedząc, ile energii zużywa się na szkolenie modelu uczenia maszynowego.

Nadal istnieją ulepszenia, które może wprowadzić GenCast, w tym potencjalne skalowanie do wyższej rozdzielczości. Co więcej, GenCast generuje prognozy w odstępach 12-godzinnych w porównaniu do tradycyjnych modeli, które zwykle robią to w krótszych odstępach czasu. Może to mieć wpływ na sposób wykorzystania tych prognoz w świecie rzeczywistym (na przykład do oceny dostępności energii wiatrowej).

„Chcesz wiedzieć, co będzie robił wiatr w ciągu dnia, a nie tylko o 6:00 i 18:00” – mówi Stephen Mullens, adiunkt meteorologii na Uniwersytecie Florydy, który nie był zaangażowany w badania GenCast.

Choć rośnie zainteresowanie wykorzystaniem sztucznej inteligencji do ulepszania prognoz, musi ona jeszcze zostać przetestowana. „Ludzie na to patrzą. Nie sądzę, iż można na tym kupować i sprzedawać całą społeczność meteorologiczną” – mówi Mullens. „Jesteśmy wyszkolonymi naukowcami, którzy myślą w kategoriach fizyki… a ponieważ sztuczna inteligencja w zasadzie nie jest tym, to wciąż pozostaje element, nad którym zastanawiamy się, czy to dobrze? I dlaczego?”

Prognozy mogą sami sprawdzić GenCast; DeepMind wydało kod dla swojego modelu open source. Price twierdzi, iż widzi GenCast i bardziej ulepszone modele sztucznej inteligencji używane w prawdziwym świecie obok tradycyjnych modeli. „Gdy te modele dostaną się w ręce praktyków, będą one jeszcze bardziej budować zaufanie” – mówi Price. „Naprawdę chcemy, aby miało to szeroki wpływ społeczny”.