Az időjósok dolgát is megkönnyíti az MI
A hagyományos módszereket viszont nem váltja le, inkább kiegészíti a neurális hálókon alapuló, időjárási prognózist készítő eszköz, amit a Google kutatói fejlesztettek.
A Science tudományos szaklapban publikált friss tanulmány szerint a Google DeepMind GraphCast nevű mesterségesintelligencia-modellre építő, meteorológiai prognózisokat készítő megoldása pontosabban dolgozik a hagyományos módszereknél, akár 10 napos előrejelzések készítésekor is. A kutatók vizsgálata során a GraphCast kiváló teljesítményt nyújtott a viág vezető hagyományos, a légkörfizikát leíró differenciálegyenleteken alapuló, népszerű európai rendszerével való összehasonlításban, amelyet az Európai Középtávú Időjárás-előrejelzések Központja (ECMWF) üzemeltet.
A GraphCast 90 százalékban felülmúlta az ECMWF közel 1380 metrikával dolgozó rendszerét, ami az előrejelzések során megjósolja a hőmérsékletet, a nyomást, a szél sebességét és irányát, a különböző légköri szintek páratartalmát. Mint kiderült, a keresőcég eszköze több száz időjárási változóval ad előre több mint 10 napra 0,25 fokos felbontású prognózist, kevesebb mint egy perc alatt, ami jelentős előrelépést jelent a mesterséges intelligencia meteorológiában való felhasználása szempontjából. Az európai rendszer számára 150-240 óra szükséges a 0,1 fokos felbontású tíznapos előrejelzés elkészítéséhez, még szuperszámítógépen is.
A Gitlab mint DevSecOps platform (x) Gyere el Radovan Baćović (Gitlab, Data Engineer) előadására a november 7-i DevOps Natives meetupon.
A GraphCast gráf neurális hálókon alapul (GNN), aminek a betanításához az ECMWF több mint négy évtizede gyűjtött időjárási adatait használták fel a kutatók. A hagyományos numerikus időjárás-előrejelzési módszerek lényegesen több időt és energiát igényelnek, Matthew Chantry, az ECMW gépi tanulási koordinátora szerint a GraphCast körülbelül 1000-szer olcsóbb az energiafogyasztás tekintetében a hagyományos módszerekhez képest.
Természetesen a megoldásnak vannak korlátai, nem minden helyzetben teljesít jobban, ez főleg a szélsőséges jelenségekre igaz, illetve a mesterséges intelligencia modellek még nem tudnak olyan részletes vagy részletes előrejelzéseket készíteni, mint hagyományosak, így kisebb léptékű jelenségek vizsgálatakor lehetnek ideálisak. Adottak még az átláthatósági problémák, hiszen a meteorológusok nem tudnak alaposabban belenézni abba, mi alapján tesz előrejelzéseket a modell, így a keresőcég kutatói szerint az MI-alapú megközelítés a már meglévő előrejelzési technikák melletti kiegészítő megoldás lehet, ami nem helyettesíti az eddigi, évtizedek alatt kifejlesztett módszereket.