 |
| Είναι προϊόν έρευνας του κλάδου της βαθιάς μάθησης |
Ένα μοντέλο υπολογιστή που συνδυάζει τη συμβατική τεχνολογία πρόγνωσης καιρού με τη μηχανική μάθηση που αναπτύχθηκε από την Google έχει ξεπεράσει τα άλλα εργαλεία που βασίζονται στην τεχνητή νοημοσύνη για την πρόβλεψη καιρικών συνθηκών και μακροπρόθεσμων τάσεων του κλίματος.
Η μηχανική μάθηση αποτελούσε την τεχνολογία αιχμής στον τομέα της τεχνητής νοημοσύνης πριν την εμφάνιση της γενετικής νοημοσύνης (προγράμματα τύπου ChatGPT) που έφεραν επανάσταση στη βιομηχανία της τεχνολογίας αλλά και το τελευταίο χρονικό διάστημα η μηχανική μάθηση έχει αρχίσει να αποτελεί και πάλι εργαλείο έρευνας και ανάπτυξης τεχνολογιών ΑΙ. Για την ακρίβεια έχει κάνει την εμφάνιση της μια νέα ακόμη πιο εξελιγμένη εκδοχή της μηχανικής μάθησης που ονομάστηκε «βαθιά μάθηση» η οποία αρχίζει να κερδίζει ολοένα και περισσότερο έδαφος στη βιομηχανία της τεχνολογίας.
Το μοντέλο αυτό που παρουσιάζεται στην επιθεώρηση «Nature» είναι το πρώτο που δημιουργεί ακριβείς συνολικές προβλέψεις καιρού. Η ανάπτυξη του ανοίγει την πόρτα για προβλέψεις που είναι ταχύτερες και λιγότερο ενεργοβόρες από τα υπάρχοντα εργαλεία και πιο λεπτομερείς από προσεγγίσεις που βασίζονται αποκλειστικά στην τεχνητή νοημοσύνη.
«Τα παραδοσιακά κλιματικά μοντέλα πρέπει να εκτελούνται σε υπερυπολογιστές. Αυτό είναι ένα μοντέλο που μπορείτε να τρέξετε μέσα σε λίγα λεπτά» αναφέρει ο Στίβεν Χόγιερ, ερευνητής στον τομέα της βαθιάς μάθησης της Google εκ των επικεφαλής της ομάδας που ανέπτυξε το νέο μοντέλο.
Πώς η τεχνητή νοημοσύνη βελτιώνει τις κλιματικές προβλέψεις
Τα τρέχοντα συστήματα πρόβλεψης βασίζονται συνήθως σε μοντέλα γενικής ανάλυσης κλιματικών διεργασιών (GCM), προγράμματα που βασίζονται στους νόμους της φυσικής για να προσομοιώνουν διεργασίες στους ωκεανούς και την ατμόσφαιρα της Γης και να προβλέψουν πώς μπορεί να επηρεάσουν τον καιρό και το κλίμα. Ωστόσο τα μοντέλα GCM απαιτούν μεγάλη υπολογιστική ισχύ και οι εξελίξεις στον κλάδο μηχανική μάθηση έχουν αρχίσει να παρέχουν μια πιο αποτελεσματική εναλλακτική λύση. «Έχουμε terabyte ή petabyte (ένα εκατομμύριο φορές μεγαλύτερα από ένα gigabyte) ιστορικών καιρικών δεδομένων. Μαθαίνοντας από αυτά τα μοτίβα, μπορούμε να δημιουργήσουμε καλύτερα μοντέλα» λέει ο Χόγιερ
Υπάρχουν ήδη ορισμένα διαθέσιμα μοντέλα πρόβλεψης μηχανικής μάθησης, όπως το Pangu-Weather, που κατασκευάστηκε από τον κινεζικό τεχνολογικό όμιλο Huawei και το GraphCast από την DeepMind, μια εταιρεία ανάπτυξης τεχνολογιών τεχνητής νοημοσύνης με έδρα το Λονδίνο που εξαγόρασε το 2014 η Google. Αυτά τα μοντέλα έχουν παρόμοια επίπεδα ακρίβειας με τα τυπικά GCM για ντετερμινιστικoύ χαρακτήρα προβλέψεις που δημιουργούν μια ενιαία πρόγνωση καιρού. Αλλά τα GCM δεν είναι τόσο αξιόπιστα για σύνθετες ή μακροπρόθεσμες προβλέψεις για το κλίμα.
«Το πρόβλημα με τις καθαρές προσεγγίσεις μηχανικής μάθησης είναι ότι εκπαιδεύεις ένα σύστημα μόνο σε δεδομένα γεγονότων που έχουν ήδη συμβεί. Το κλίμα αλλάζει συνεχώς, πηγαίνουμε στο άγνωστο, επομένως τα μοντέλα μηχανικής μάθησης πρέπει να επεκταθούν σε αυτό το άγνωστο μέλλον. Εισάγοντας τη φυσική στο μοντέλο, μπορούμε να διασφαλίσουμε ότι τα μοντέλα μας είναι διαθέτουν φυσικούς περιορισμούς και δεν θα μπορούν να κάνουν τίποτα που να είναι μη ρεαλιστικό» λέει ο Σκοτ Χόσκιγκ που ερευνά δεδομένα τεχνητής νοημοσύνης και περιβάλλοντος στο Ινστιτούτο Άλαν Τούρινγκ στο Λονδίνο.
Υβριδικό
Ο Χόγιερ και η ομάδα του ανέπτυξαν και εκπαίδευσαν το NeuralGCM, ένα μοντέλο που συνδυάζει «δυνατότητες ενός παραδοσιακού συστήματος ατμοσφαιρικών υπολογισμών που βασίζεται στη φυσική με ορισμένα στοιχεία τεχνητής νοημοσύνης» όπως εξηγεί ο ερευνητής. Το μοντέλο που ανέπτυξαν οι ερευνητές το χρησιμοποίησαν για να παράγουν βραχυπρόθεσμες και μακροπρόθεσμες μετεωρολογικές προβλέψεις, καθώς και κλιματικές προβολές. Για να αξιολογήσουν την ακρίβεια του NeuralGCM, οι ερευνητές συνέκριναν τις προβλέψεις του με δεδομένα του πραγματικού κόσμου, καθώς και αποτελέσματα από άλλα μοντέλα, συμπεριλαμβανομένων των GCM και εκείνων που βασίζονται αποκλειστικά στη μηχανική μάθηση.
Όπως τα τρέχοντα μοντέλα μηχανικής μάθησης, το NeuralGCM θα μπορούσε να παράγει ακριβείς βραχυπρόθεσμες, ντετερμινιστικές προβλέψεις καιρού — μεταξύ μίας και τριών ημερών νωρίτερα — ενώ καταναλώνει ένα κλάσμα της ενέργειας που απαιτείται από τα GCM. Επίσης έκανε πολύ λιγότερα λάθη από άλλα μοντέλα μηχανικής μάθησης κατά την παραγωγή μακροπρόθεσμων προβλέψεων πέραν των επτά ημερών. Στην πραγματικότητα, οι μακροπρόθεσμες προβλέψεις του NeuralGCM ήταν παρόμοιες με τις προβλέψεις που έγιναν από το μοντέλο συνόλου του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμης Πρόγνωσης Καιρού (ECMWF-ENS), ένα GCM που θεωρείται ευρέως ως το καλύτερο πρότυπο για την πρόγνωση καιρού.
Η ερευνητική ομάδα εξέτασε επίσης πόσο καλά το μοντέλο μπορούσε να προβλέψει διαφορετικά καιρικά φαινόμενα, όπως τροπικούς κυκλώνες. Διαπίστωσαν ότι πολλά από τα αμιγώς μοντέλα μηχανικής μάθησης παρήγαγαν ασυνεπείς και ανακριβείς προβλέψεις σε σύγκριση με το NeuralGCM και το ECMWF-ENS. Οι ερευνητές συνέκριναν ακόμη και το NeuralGCM με κλιματικά μοντέλα εξαιρετικά υψηλής ανάλυσης γνωστά ως παγκόσμια μοντέλα επίλυσης καταιγίδων. Το NeuralGCM θα μπορούσε να παράγει πιο ρεαλιστικούς αριθμούς και τροχιές τροπικών κυκλώνων σε συντομότερο χρόνο.
Η δυνατότητα πρόβλεψης τέτοιων γεγονότων είναι «τόσο σημαντική για τη βελτίωση των ικανοτήτων λήψης αποφάσεων και των στρατηγικών ετοιμότητας», λέει ο Χόσκινγκ.
