by Ο καιρός, η τεχνητή νοημοσύνη θα φέρουν επανάσταση στις προβλέψεις. Ή μάλλον, αυτό υπόσχεται μια μελέτη που δοκιμάστηκε στις Ηνωμένες Πολιτείες και δημοσιεύτηκε στο περιοδικό «Science». Τα αποτελέσματα, μέχρι στιγμής, είναι εκπληκτικά.
Εισερχόμενη πολική δίνη, θερμοκρασίες κοντά στο μηδέν και ισχυρές καταιγίδες: πού και πότε, η πρόγνωση του καιρού
Πιο ακριβές από το ευρωπαϊκό σύστημα
Το έξυπνο μοντέλο τεχνητής νοημοσύνης είναι το Google DeepMind και το απλούστερο “GraphCast” και η πιο ακριβής μέθοδος του “ευρωπαϊκού μοντέλου”, ειδικά αν λάβουμε υπόψη το πιο ακριβές μοντέλο στον κόσμο. Το σύστημα είναι «εκπαιδευμένο» με βάση σχεδόν 40 χρόνια ιστορίας και παρέχει επί του παρόντος μια 10ετή πρόβλεψη για τις επόμενες τοποθεσίες του κόσμου μέσα σε λίγα λεπτά από το μέγεθος του υπολογιστή. Ένα παραδοσιακό μοντέλο με έναν ενσωματωμένο υπερυπολογιστή και έναν υπερυπολογιστή που μπορεί να σχεδιαστεί έχοντας κατά νου έναν υπολογιστή. Το GraphCast προκύπτει με ακρίβεια περίπου 10% του ευρωπαϊκού μοντέλου και με 90% των νομισμάτων μεταβλητού καιρού. Η μελέτη, που δημοσιεύτηκε στο περιοδικό Science, έδειξε ότι το μοντέλο AI είναι πιο ακριβές στην πρόβλεψη του καθημερινού καιρού και ακραίων γεγονότων, όπως τυφώνες, ζέστη και έντονο κρύο.
Η απόδοσή του και τα πολλά υποσχόμενα αποτελέσματά του μπορεί να σημαίνουν την αρχή μιας νέας εποχής για την πρόγνωση του καιρού, αν και οι ειδικοί λένε ότι αυτό δεν σημαίνει ότι η τεχνητή νοημοσύνη είναι έτοιμη να αντικαταστήσει όλες τις παραδοσιακές μεθόδους πρόβλεψης.
Καιρός, το 2023 η θερμότερη χρονιά των δύο τελευταίων αιώνων, ρεκόρ τον Οκτώβριο
Ακόμα και για ακραία γεγονότα
Οι ερευνητές έχουν εκφράσει ανησυχίες σχετικά με την ικανότητα της τεχνητής νοημοσύνης να προβλέπει με ακρίβεια ακραία καιρικά φαινόμενα, εν μέρει επειδή υπάρχουν σχετικά λίγα γεγονότα του παρελθόντος από τα οποία μπορούμε να μάθουμε.
Μια πιθανή επανάσταση
Η επιτυχία του GraphCast είναι ζήτημα πιθανής συνέχειας της πρόγνωσης καιρού και είναι επίσης προφανές ότι η τεχνητή νοημοσύνη δεν είναι πλήρως ολοκληρωμένη με τις παραδοσιακές μεθόδους. Ο Aaron Hill, επικεφαλής της προκαταρκτικής αξιολόγησης της αυτοματοποιημένης προσέγγισης στο Κρατικό Πανεπιστήμιο του Κολοράντο, είναι υπεύθυνος για το GraphCast και είναι υπεύθυνος για όλες τις πτυχές του ευφυούς καιρικού μοντέλου που βασίζεται σε AI, το οποίο αναπτύσσεται συνεχώς. Οι κυβερνητικές μετεωρολογικές υπηρεσίες ενδιαφέρονται όλο και περισσότερο για μοντέλα που βασίζονται σε AI για την ταχύτητα, την αποτελεσματικότητά τους και την πιθανή εξοικονόμηση κόστους. Τα παραδοσιακά μοντέλα, που παρέχονται από το Ευρωπαϊκό Κέντρο Προγνώσεων Καιρού Μεσαίου Εύρους (ECMWF) και την Εθνική Υπηρεσία Ωκεανών και Ατμόσφαιρας (NOAA), χρησιμοποιούν πλήρεις μαθηματικές εξισώσεις, που απαιτούν τεράστια υπολογιστική ισχύ. Από την άλλη πλευρά, μοντέλα τεχνητής νοημοσύνης όπως το GraphCast μαθαίνουν από τεράστια αρχεία προηγούμενων καιρικών δεδομένων, δίνοντάς τους ένα σημαντικό πλεονέκτημα στην πρόβλεψη σοβαρών γεγονότων.
Οι ΠΡΟΚΛΗΣΕΙΣ
Ωστόσο, απομένουν να ξεπεραστούν προκλήσεις, όπως η δημιουργία προβλέψεων για συγκεκριμένες παραμέτρους λεπτής κλίμακας. Η επιστημονική κοινότητα βασίζεται στην εισαγωγή ερμηνείας και στην παροχή πληροφοριών, η οποία βασίζεται στις εσωτερικές λειτουργίες και την επιστημονική μέθοδο για τα παραδοσιακά μοντέλα. Η συνεχής πρόοδος, είναι συνεπής με την πάχυνση της τεχνητής νοημοσύνης για την ολοκλήρωση της διαδικασίας ανάπτυξης των παραδοσιακών μεθόδων. Τα σπουδαία τεχνικά αποτελέσματα, με Google, Microsoft, Nvidia και Huawei, με σημαντική πρόοδο προς το μετεωρολογικό μοντέλο AI, με σκοπό την προσέγγιση όλων των αλλαγών που συντελούνται. Ωστόσο, απαιτείται τελική έρευνα και αξιολογήσεις προτού τα μοντέλα τεχνητής νοημοσύνης μπορούν να ενσωματωθούν αξιόπιστα στις καθημερινές καιρικές λειτουργίες.
Διαβάστε ολόκληρο το άρθρο
στο Il Messaggero
