Umelá inteligencia od DeepMind robí najpresnejšiu 10-dňovú predpoveď počasia na svete

Nový model umelej inteligencie od DeepMind patriaceho Googlu je podľa londýnskeho laboratória najpresnejší 10-dňový globálny systém predpovede počasia na svete. Model s názvom GraphCast sľubuje predpovede počasia stredného rozsahu s „bezprecedentnou presnosťou“. Štúdia ukázala, že GraphCast je presnejší a rýchlejší ako zlatý štandard pre simuláciu počasia High-Resolution Forecast (HRES). Živá verzia GraphCast bola nasadená na webovú stránku Európskeho centra pre strednodobé predpovede počasia (ECMWF).

Je zaujímavé, že GraphCast dokáže identifikovať nebezpečné poveternostné udalosti bez toho, aby bol vyškolený na ich nájdenie. Po integrácii jednoduchého sledovača cyklónov model predpovedal pohyby cyklónov presnejšie ako metóda HRES. Takéto údaje by mohli zachrániť životy. Keďže sa klíma stáva extrémnejšou a nepredvídateľnejšou, rýchle a presné prognózy budú poskytovať čoraz dôležitejšie informácie na predpovedanie katastrof. Bežné predpovede počasia sú založené na zložitých fyzikálnych rovniciach. Tie sú potom upravené do algoritmov, ktoré bežia na superpočítačoch.

Proces je náročný a vyžaduje si aj odborné znalosti a rozsiahle výpočtové zdroje. GraphCast využíva inú techniku. Model kombinuje strojové učenie s grafovými neurónovými sieťami (Graph Neural Networks – GNN), architektúrou, ktorá je vhodná na spracovanie priestorovo štruktúrovaných údajov. Na zistenie príčin a účinkov, ktoré určujú zmeny počasia, bol systém trénovaný na desaťročiach informácií o počasí. ECMWF dodal pre GraphCast tréningové údaje z približne 40-ročnej reanalýzy počasia, ktorá zahŕňala monitorovanie zo satelitov, radarov a meteorologických staníc.

Výsledkom je podrobná história globálneho počasia. GraphCast používa tieto lekcie z minulosti na predpovedanie budúcnosti. GraphCast robí predpovede v priestorovom rozlíšení 0,25 stupňa zemepisnej šírky/dĺžky. V testoch boli výsledky pôsobivé. GraphCast výrazne prekonal najpresnejšie prevádzkované deterministické systémy na 90 % pri 1380 testovacích cieľoch. Rozdiely boli ešte výraznejšie v troposfére, najnižšej vrstve zemskej atmosféry, kde sa odohráva väčšina poveternostných javov. V tejto oblasti GraphCast prekonal HRES na 99,7 % pri testovacích premenných pre budúce počasie.

Pritom dokončenie 10-dňovej predpovede trvá menej ako minútu na jednom zariadení Google TPU v4. Na porovnanie, konvenčný prístup môže vyžadovať hodiny výpočtov v superpočítači so stovkami strojov. Napriek sľubným prvým výsledkom by sa GraphCast mohol ďalej zdokonaľovať. Napríklad v predpovediach cyklónu sa model ukázal ako presný pri sledovaní pohybov, ale menej účinný pri meraní intenzity. Zlepšenia by mohli prísť odkiaľkoľvek, pretože model DeepMind má otvorený zdrojový kód. Globálne organizácie aj jednotlivci môžu teraz experimentovať s GraphCast a pridávať svoje vlastné zlepšenia.

Zdroj: thenextweb.com.