Η Google κυκλοφόρησε ένα μοντέλο τεχνητής νοημοσύνης (AI) που υποστηρίζει ότι μπορεί να παράγει ακριβείς προβλέψεις για τον καιρό σε κλίμακα (δηλαδή για μεγάλες περιοχές και μεγάλη λεπτομέρεια), ενώ παράλληλα είναι πιο οικονομικό από τα συμβατικά μοντέλα πρόβλεψης που βασίζονται στη φυσική.
Το μοντέλο “Scalable Ensemble Envelope Diffusion Sampler” (SEEDS) έχει σχεδιαστεί με παρόμοιο τρόπο όπως τα δημοφιλή μοντέλα μεγάλης γλώσσας (LLMs) όπως το ChatGPT και εργαλεία τεχνητής νοημοσύνης που παράγουν περιεχόμενο όπως το Sora – το οποίο δημιουργεί βίντεο από κείμενο.
Το SEEDS δημιουργεί πολλά σύνολα – ή πολλαπλά σενάρια καιρού – πολύ πιο γρήγορα και φθηνότερα από τα παραδοσιακά μοντέλα πρόβλεψης. Η ομάδα περιέγραψε τα ευρήματά της σε εργασία που δημοσιεύτηκε στις 29 Μαρτίου στο περιοδικό Science Advances.
Γιατί είναι δύσκολη η πρόγνωση ακραίων καιρικών φαινομένων
Η πρόγνωση του καιρού είναι μια δύσκολη υπόθεση, καθώς υπάρχουν πολλές μεταβλητές που μπορούν να οδηγήσουν σε δυνητικά καταστροφικά καιρικά φαινόμενα – από τυφώνες μέχρι κύματα καύσωνα. Καθώς η κλιματική αλλαγή επιδεινώνεται και τα ακραία καιρικά φαινόμενα γίνονται πιο συνηθισμένα, η ακριβής πρόβλεψη του καιρού μπορεί να σώσει ζωές δίνοντας στους ανθρώπους χρόνο να προετοιμαστούν για τις χειρότερες συνέπειες των φυσικών καταστροφών.
Οι προβλέψεις που βασίζονται στη φυσική και χρησιμοποιούνται σήμερα από τις μετεωρολογικές υπηρεσίες, συλλέγουν διάφορες μετρήσεις και δίνουν μια τελική πρόβλεψη που αποτελεί τον μέσο όρο πολλών διαφορετικών μοντελοποιημένων προβλέψεων – ή συνόλου, με βάση όλες τις μεταβλητές. Αντί για μια μόνο πρόγνωση, η πρόγνωση καιρού βασίζεται σε ένα σύνολο προβλέψεων ανά κύκλο πρόγνωσης, το οποίο παρέχει μια σειρά από πιθανές μελλοντικές καταστάσεις.
Αυτό σημαίνει ότι οι περισσότερες προβλέψεις καιρού είναι αρκετά ακριβείς για πιο συνηθισμένες συνθήκες, όπως ήπιο καιρό ή ζεστές καλοκαιρινές ημέρες. Ωστόσο, η δημιουργία αρκετών μοντέλων πρόγνωσης για να βρεθεί η πιθανή εξέλιξη ενός ακραίου καιρικού φαινομένου ξεπερνά τις δυνατότητες των περισσότερων υπηρεσιών.
Οι τρέχουσες προβλέψεις χρησιμοποιούν επίσης ντετερμινιστικά ή πιθανολογικά μοντέλα πρόγνωσης, στα οποία εισάγονται τυχαίες μεταβλητές στις αρχικές συνθήκες. Αυτό όμως οδηγεί σε ταχεία αύξηση του ποσοστού σφάλματος, πράγμα που σημαίνει ότι η ακριβής πρόβλεψη ακραίων και μελλοντικών καιρικών φαινομένων είναι δύσκολη.
Απρόβλεπτα σφάλματα στις αρχικές συνθήκες μπορούν επίσης να επηρεάσουν σημαντικά το αποτέλεσμα της πρόβλεψης, καθώς οι μεταβλητές αυξάνονται εκθετικά με την πάροδο του χρόνου. Επιπλέον, η μοντελοποίηση αρκετών προβλέψεων για να ληφθούν υπόψη μεταβλητές με τόσο λεπτομερή τρόπο είναι δαπανηρή. Οι επιστήμονες της Google υπολόγισαν ότι απαιτούνται 10.000 προβλέψεις σε ένα μοντέλο για να προβλεφθούν γεγονότα που έχουν πιθανότητα να συμβούν μόνο 1%.
Πώς λειτουργεί το SEEDS
Το SEEDS παράγει μοντέλα πρόβλεψης από φυσικές μετρήσεις που συλλέγονται από μετεωρολογικούς οργανισμούς. Συγκεκριμένα, εξετάζει τις σχέσεις μεταξύ της μονάδας δυναμικού ενέργειας ανά μονάδα μάζας του πεδίου βαρύτητας της Γης στην ενδιάμεση τροπόσφαιρα και της πίεσης της στάθμης της θάλασσας. Πρόκειται για δύο κοινές μετρήσεις που χρησιμοποιούνται στην πρόγνωση καιρού.
Οι παραδοσιακές μέθοδοι μπορούν ουσιαστικά να παράγουν μόνο σύνολα περίπου 10 έως 50 προβλέψεων. Αλλά με τη χρήση AI, η τρέχουσα έκδοση του SEEDS μπορεί να εξωτερικεύσει έως και 31 σύνολα πρόβλεψης βασισμένη σε μόλις μία ή δύο “αρχικές προβλέψεις” που χρησιμοποιούνται ως δεδομένα εισαγωγής.
Το παράδειγμα με τον καύσωνα στην Ευρώπη το 2022
Οι ερευνητές δοκίμασαν το σύστημα μοντελοποιώντας τον καύσωνα της Ευρώπης του 2022 χρησιμοποιώντας ιστορικά δεδομένα καιρού που είχαν καταγραφεί εκείνη την περίοδο. Μόλις επτά ημέρες πριν από τον καύσωνα, τα δεδομένα πρόβλεψης του αμερικανικού επιχειρησιακού συνόλου δεν έδειχναν κανένα σημάδι ότι ένα τέτοιο γεγονός βρισκόταν στον ορίζοντα, ανέφεραν εκπρόσωποι της Google στη δημοσίευση της επιστημονικής ιστοσελίδας. Πρόσθεσαν επίσης ότι σύνολα προβλέψεων με λιγότερες από 100 εκτιμήσεις – τα οποία είναι περισσότερα από όσα παράγουν οι συμβατικές μέθοδοι – θα είχαν αποτύχει επίσης να προβλέψουν τον καύσωνα.
Οι επιστήμονες περιέγραψαν το κόστος υπολογισμού που σχετίζεται με την εκτέλεση υπολογισμών με SEEDS ως “αμελητέο” σε σύγκριση με τις σημερινές μεθόδους. Η Google αναφέρει επίσης ότι το σύστημα τεχνητής νοημοσύνης μπορεί να παράγει 256 σύνολα προβλέψεων καιρού ανά τρία λεπτά χρόνου επεξεργασίας σε ένα δείγμα αρχιτεκτονικής Google Cloud . Η απόδοση του SEEDS μπορεί να αυξηθεί εύκολα προσθέτοντας περισσότερους επιταχυντές στο σύστημα.
Με απλά λόγια, το SEEDS είναι πολύ γρήγορο και μπορεί να επεξεργαστεί μεγάλο όγκο δεδομένων σε σύντομο χρονικό διάστημα. Επιπλέον, η απόδοσή του μπορεί να αυξηθεί ακόμη περισσότερο με απλή προσθήκη επιπλέον υπολογιστικών πόρων.
