Η Τεχνητή Νοημοσύνη μπορεί να σώσει ζωές προειδοποιώντας πού θα χτυπήσει ένας τυφώνας στην ξηρά πολύ νωρίτερα από τα παραδοσιακά συστήματα πρόγνωσης, δηλώνουν οι ερευνητές.
Ένα νέο εργαλείο Τεχνητής Νοημοσύνης από το Google DeepMind προέβλεψε τον τόπο προσεγγίσεως του τυφώνα Lee τον Σεπτέμβριο στον Καναδά τρεις μέρες πριν από τις υφιστάμενες μεθόδους.
Οι προγνώσεις καιρού έχουν γίνει πολύ πιο ακριβείς με τις δεκαετίες.
Ωστόσο, η ταχύτητα της τεχνητής νοημοσύνης και η ικανότητά της να αναλύει προηγούμενα γεγονότα για να κάνει προβλέψεις την καθιστούν παιχνιδοαλλαγή, λένε οι επιστήμονες.
Μια ακριβής πρόγνωση καιρού είναι χρήσιμη για να σας πει τι να φορέσετε όταν βγαίνετε το πρωί, αλλά – πολύ πιο σημαντικό – μπορεί να μας προειδοποιήσει για ακραία καιρικά φαινόμενα όπως θύελλες, πλημμύρες και καύσωνες, παρέχοντας στις κοινότητες τον αποφασιστικό χρόνο για προετοιμασία.
Ωστόσο, οι παραδοσιακές προγνώσεις καιρού απαιτούν τεράστια ποσότητα υπολογιστικής ισχύος.
Συμπεριλαμβάνουν τη δημιουργία εκτιμήσεων για εκατοντάδες παραγόντες, συμπεριλαμβανομένης της ατμοσφαιρικής πίεσης, της θερμοκρασίας, των ταχυτήτων του ανέμου και της υγρασίας σε διάφορα επίπεδα της ατμόσφαιρας γύρω από τον κόσμο.
Ένα νέο εργαλείο τεχνητής νοημοσύνης με το όνομα GraphCast, που δημιουργήθηκε από το Google DeepMind, υπερέχει του μοντέλου European Medium Range Weather Forecasting – ένα από τα καλύτερα στον κόσμο – σε περισσότερους από το 90% αυτών των παραγόντων, σύμφωνα με ένα άρθρο που υποβλήθηκε για κριτική από ομότιμους και δημοσιεύτηκε από το DeepMind στο περιοδικό Science.
Το GraphCast παράγει τις προβλέψεις του σε λιγότερο από ένα λεπτό, χρησιμοποιώντας ένα μικρό κομμάτι της υπολογιστικής ισχύος των παραδοσιακών μεθόδων πρόγνωσης, καθώς ακολουθεί μια πολύ διαφορετική προσέγγιση.
Η παραδοσιακή πρόγνωση καιρού περιλαμβάνει τη λήψη μετρήσεων για το τι συμβαίνει αυτή τη στιγμή στην ατμόσφαιρα.
Τα καλύτερα μοντέλα λαμβάνουν εκατοντάδες εκατομμύρια αναγνώσεις από όλο τον κόσμο κάθε μέρα.
Αυτές προέρχονται από μια τεράστια ποικιλία πηγών, συμπεριλαμβανομένων μετεωρολογικών σταθμών, δορυφόρων, αερόστατων που αποστέλλονται στην ατμόσφαιρα, βουίων στον ωκεανό – ακόμα και αναγνώσεις που πραγματοποιούνται από αισθητήρες στα προσωπά των εμπορικών αεροπλάνων.
“Στη συνέχεια χρησιμοποιούμε το μοντέλο μας για να επιλέξουμε ποιες θα είναι οι πιο σημαντικές,” εξηγεί ο Matthew Chantry, του Ευρωπαϊκού Κέντρου για την Πρόγνωση Καιρού Μεσαίας Διάρκειας (ECMWF), ο οποίος λέει ότι περίπου 10 εκατομμύρια από τις μετρήσεις θα χρησιμοποιηθούν για μια από τις προβλέψεις του.
Αυτός ο ωκεανός δεδομένων διατίθεται σε ένα υπερυπολογιστή για να επεξεργαστείται από προγράμματα που μπορούν να κάνουν τετρισεκατομμύρια (ένα χίλια τρισεκατομμύρια) υπολογισμούς κάθε δευτερόλεπτο. Χρησιμοποιούν πολύπλοκες εξισώσεις για να προσομοιώσουν τι συμβαίνει στην ατμόσφαιρα της Γης και να προβλέψουν πώς θα αλλάξει και θα εξελιχθεί ο καιρός με τον χρόνο.
Αυτή η μέθοδος ήταν εξαιρετικά επιτυχημένη. Καθώς τα μοντέλα εξελίσσονται και οι υπολογιστές γίνονται πιο ισχυροί με τις δεκαετίες, οι προγνώσεις καιρού έχουν γίνει σημαντικά πιο ακριβείς.
Ωστόσο, αυτά τα μοντέλα πρόβλεψης καιρού με αριθμούς (NWP), όπως είναι γνωστά, καταναλώνουν τεράστιες ποσότητες υπολογιστικών πόρων, χρησιμοποιώντας μερικούς από τους μεγαλύτερους υπερυπολογιστές στον κόσμο και συνήθως χρειάζονται ώρες για να παράγουν τις προβλέψεις τους.
Μια νέα προσέγγιση
Η τεχνητή νοημοσύνη εξοικονομεί πολύ από αυτήν την προσπάθεια. Δεν προσπαθεί να μοντελοποιήσει πώς λειτουργεί ο κόσμος.
Αντίθετα, το GraphCast χρησιμοποιεί τη μηχανική μάθηση για να επεξεργαστεί τεράστιες ποσότητες ιστορικών δεδομένων – συμπεριλαμβανομένης της έξοδου του μοντέλου ECMWF – προκειμένου να μάθει πώς εξελίσσονται τα μετεωρολογικά πρότυπα.
Χρησιμοποιεί αυτήν τη γνώση για να προβλέψει πώς είναι πιθανό να αλλάξει ο καιρός στο μέλλον.
Και αποδεικνύεται πολύ αποτελεσματικό.
“Το κύριο πλεονέκτημα αυτής της προσέγγισης της τεχνητής νοημοσύνης είναι ότι είναι εξαιρετικά ακριβής”, δηλώνει ο Remy Lam της Google DeepMind, ο οποίος συνέβαλε στη δημιουργία του μετεωρολογικού εργαλείου.
“Μαθαίνει από δεκαετίες δεδομένων και είναι σε θέση να είναι πιο ακριβές από τον καταλύτη της βιομηχανίας”, λέει.
Και, επειδή δεν προσπαθεί να επιλύσει πολύπλοκες εξισώσεις, μπορεί να παράγει τις προβλέψεις του πολύ γρήγορα και χρησιμοποιώντας πολύ λιγότερη υπολογιστική ισχύ.
Οι προβλέψεις του GraphCast δεν είναι τόσο λεπτομερείς όπως αυτές που παράγονται από το ECMWF, αλλά είναι καλύτερο στο να προβλέπει σοβαρά γεγονότα όπως οι ακραίες θερμοκρασίες και στο να παρακολουθεί τη διαδρομή μεγάλων καταιγίδων.
Έγινε ακριβής πρόβλεψη του σημείου όπου ο τυφώνας Lee, μια καταιγίδα που έπληξε την ατλαντική ακτή των ΗΠΑ και του Καναδά τον Σεπτέμβριο, θα καταφθάσει, για παράδειγμα.
Το εργαλείο τεχνητής νοημοσύνης της Deep Mind προέβλεψε την πορεία του εννιά ημέρες πριν, ενώ το ECMRWF κατάφερε μόνο έξι ημέρες πριν.
Ωστόσο, την επιτυχία του GraphCast δεν σημαίνει ότι μπορούμε να κλείσουμε τους υπερυπολογιστές και να βασιστούμε αντίθετα στην τεχνητή νοημοσύνη.
Ακόμα και ο Remy Lam από τη Google DeepMind λέει ότι αυτό δεν θα συμβεί.
‘Τεράστια βήματα προόδου’
Αντί να αντικαταστήσουν τις παραδοσιακές προβλέψεις καιρού, τα μοντέλα τεχνητής νοημοσύνης θα τις συμπληρώσουν, πιστεύει.
“Τα μοντέλα τεχνητής νοημοσύνης εκπαιδεύονται από δεδομένα και αυτά τα δεδομένα παράγονται από παραδοσιακές προσεγγίσεις, οπότε χρειαζόμαστε ακόμα την παραδοσιακή προσέγγιση για να συλλέξουμε δεδομένα και να εκπαιδεύσουμε το μοντέλο,” λέει ο κ. Lam.
Το GraphCast είναι ανοιχτού κώδικα, πράγμα που σημαίνει ότι η Google DeepMind μοιράζεται τις λεπτομέρειες του σχεδιασμού, επιτρέποντας σε οποιονδήποτε να χρησιμοποιήσει την τεχνολογία.
Πολλές τεχνολογικές εταιρείες και οργανισμοί καιρού και κλίματος σε όλο τον κόσμο σχεδιάζουν τα δικά τους εργαλεία πρόβλεψης καιρού με τη χρήση τεχνητής νοημοσύνης.
Για παράδειγμα, το Met Office, η εθνική μετεωρολογική υπηρεσία του Ηνωμένου Βασιλείου, συνεργάζεται με το Turing Institute, το κέντρο επιστήμης δεδομένων της χώρας, για να εξετάσει τη δυνατότητα της τεχνητής νοημοσύνης να βελτιώσει τις προβλέψεις καιρού.
“Οι προβλέψεις καιρού που προέρχονται από την τεχνητή νοημοσύνη και τη μηχανική μάθηση κάνουν τεράστια βήματα προόδου,” αναγνωρίζει ο καθηγητής Simon Vosper, Διευθυντής Επιστήμης του Met Office.
Ωστόσο, προειδοποιεί ότι η κλιματική αλλαγή θα περιορίσει την προβλεπτική ισχύ των εργαλείων που βασίζονται στην τεχνητή νοημοσύνη.
“Βλέπουμε νέες κλιματικές ακραίες καιρικές συνθήκες, όπως οι θερμοκρασίες των 40 βαθμών Κελσίου πέρυσι στο Ηνωμένο Βασίλειο που δεν θα είχαν πραγματοποιηθεί σε προηγούμενες εποχές”, λέει ο καθηγητής Vosper.
Η εξέλιξη των ακραίων καιρικών φαινομένων ενδέχεται επίσης να αλλάζει.
Ο τυφώνας Otis εντείνθηκε γρήγορα από τροπική καταιγίδα σε τυφώνα κατηγορίας 5, ο ισχυρότερος, μέσα σε μόλις 24 ώρες τον Οκτώβριο πριν προκαλέσει καταστροφική επικράτηση στην ακτή του νότιου Μεξικού.
Οι κλιματολόγοι προειδοποιούν ότι οι αυξανόμενες θερμοκρασίες των ωκεανών πιθανόν να καθιστούν πιο συχνή αυτήν τη διαδικασία γρήγορης ενίσχυσης των καταιγίδων.
“Επομένως, είναι δίκαιο να αμφισβητήσουμε εάν τα συστήματα που βασίζονται σε τεχνητή νοημοσύνη είναι σε θέση να αντιληφθούν νέα ακραία φαινόμενα εάν αυτά τα συστήματα έχουν εκπαιδευτεί μόνο σε προηγούμενες καιρικές συνθήκες,” υποδηλώνει ο καθηγητής Vosper.
