Значна частина країни цими днями постійно перевіряє програми погоди

Щоб дізнатися, яка погода буде під час їхньої відпустки, чи зможуть відбутися процесії, чи загрожує врожаю небезпека, скільки енергії вироблятимуть вітряки та сонячні панелі, чи можна буде плавати, чи просто чи зможуть вони вивісити білизну. Сучасні інструменти ґрунтують свої прогнози на тисячах даних із сотень джерел, на збір і обробку яких за допомогою суперкомп'ютерів витрачаються години й навіть дні. Однак, прогноз на понад три дні зберігає високий ступінь невизначеності.

Нова система Aardvark Weather

Розроблена на основі штучного інтелекту та моделей навчання на основі вісімдесяти років фізичних даних, «в тисячі разів швидша та точніша за всі попередні методи прогнозування погоди», – стверджує Річард Тернер з інженерного факультету Кембриджу та головний автор дослідження, опублікованого в Nature.

Тернер із захопленням говорить про результати дослідження

Розробленого Кембриджським університетом за підтримки Інституту Алана Тюрінга, Microsoft Research та Європейського центру середньострокових прогнозів погоди (ECMWF): «Aardvark винаходить сучасні методи прогнозування погоди, пропонуючи потенціал зробити прогнози погоди швидшими, дешевшими, гнучкішими та точнішими, ніж будь-коли, допомагаючи трансформувати прогнозування погоди як у розвинених, так і в країнах, що розвиваються».

Системи чисельного прогнозування погоди (NWP)

Сягають корінням у 1950-ті роки й зараз здатні прогнозувати широкий спектр змінних на термін до 15 днів. Вони ґрунтуються на обробці за допомогою суперкомп'ютерів моделей атмосфери на основі десятиліть зареєстрованих спостережень, динаміки рідини та статистичної постобробки даних дистанційного зондування, радарів, радіозондів і літаків. Їхнє використання, розробка, обслуговування та впровадження цих складних систем вимагають багато часу та великих команд експертів.

Aardvark замінює весь цей процес

За допомогою наскрізних методів машинного навчання (end to end), керованих штучним інтелектом, і, за словами її творців, «зменшує обчислювальні витрати, усуває упередження деяких аспектів систем NWP і дає змогу швидко й точно створювати прототипи».

Результати Aardvark

«Використовуючи лише 10% вхідних даних існуючих систем, Aardvark вже перевершує Глобальну систему прогнозування (GFS) і є конкурентоспроможною з іншими метеорологічними службами, які використовують інформацію з десятків моделей і аналізи експертів-прогнозистів», – запевняють дослідники.

Подальше застосування Aardvark

«Ці результати – лише початок», – каже Анна Аллен з факультету комп'ютерних наук і технологій Кембриджу та співавторка роботи. «Цей підхід наскрізного навчання можна легко застосувати до інших задач прогнозування погоди, наприклад, ураганів, лісових пожеж і торнадо. Крім клімату, його застосування поширюється на ширше прогнозування системи Землі, включаючи якість повітря, динаміку океану та прогнозування морського льоду».

Індивідуалізовані прогнози

Ще одним застосуванням, окрім глобальних і локальних явищ, є розробка індивідуалізованих прогнозів, які за традиційними системами зайняли б роки й коштували б величезну суму: «Їхня гнучкість і проста конструкція, оскільки вони навчаються безпосередньо з даних, можуть бути швидко адаптовані для створення індивідуальних прогнозів для конкретних галузей або місць розташування, чи то для прогнозування температур для африканського сільського господарства, чи то для прогнозування швидкості вітру для компанії, що займається відновлюваною енергетикою в Європі».

Швидкість розробки

«Всього за 18 місяців ми змогли створити щось, що є конкурентоспроможним із найкращими з цих [традиційних] систем, використовуючи лише десяту частину даних на настільному комп'ютері», – уточнює Тернер.

Потенціал штучного інтелекту

Скотт Хоскінг, колега дослідника в Інституті Алана Тюрінга, наполягає на тому, що потенціал штучного інтелекту «трансформує прийняття рішень для всіх, від політиків і планувальників надзвичайних ситуацій до галузей, які залежать від точних прогнозів погоди».

Залежність від даних

Але, як і всі моделі штучного інтелекту, його результати залежать від даних, якими він живиться для розробки своїх пропозицій і рішень. У цьому випадку пам'яттю нового мозку був ERA5 Європейського центру середньострокових прогнозів погоди (ECMWF), комбінація модельних даних за вісім десятиліть зі спостереженнями, узгодженими із законами фізики в усьому світі.

Важливість наукової співпраці

У зв'язку з цим, Метью Чантрі, стратегічний директор з машинного навчання в ECMWF, підкреслює важливість наукової співпраці: «Ми раді співпрацювати в цьому проєкті, який досліджує наступне покоління систем прогнозування погоди. Частиною нашої місії є розробка та надання оперативних прогнозів погоди зі штучним інтелектом, одночасно відкрито обмінюючись даними на благо науки та широкої громадськості».

Значення співпраці

«Aardvark представляє собою не лише важливе досягнення в прогнозуванні клімату за допомогою штучного інтелекту, але й відображає силу співпраці та об'єднання дослідницької спільноти для значного вдосконалення та застосування технології штучного інтелекту», – додає Кріс Бішоп з Microsoft Research.

Невизначеність у прогнозуванні погоди

Попри нову систему, яку її творці вважають швидшою, точнішою та ефективнішою за звичайні моделі, прогнозування погоди, як і раніше, стикається з невизначеністю, що виникає через безліч факторів, залучених до дуже складних процесів. У зв'язку з цим професор математичного факультету Університету Севільї Еміліо Каррізоса, який брав участь у дослідженнях кліматичних індексів посух, попереджає, що у випадках, подібних до DANA у Валенсії, в гру вступають рідкісні нестаціонарні явища.

Обмеження даних

«У нас недостатньо вибірки, щоб мати змогу точно передбачити результат. Ми говоримо про явища, для яких у нас немає подібних або ідентичних даних до тих, які ми хочемо вивчити, а лише схожі, і тут у нас може бути упередження, яке ми не можемо контролювати й яке є визначальним для явища».

Обмеження екстремальних явищ

Дім Куму, експерт з кліматології з Університету Амстердама (Нідерланди), погоджується: «Екстремальні події, за визначенням, є рідкісними. Тому не завжди є багато спостережень. Це велика перешкода, якщо ви хочете використовувати методи штучного інтелекту».

Складність прогнозування погоди

Так само аргентинський астрофізик Густаво Ромеро вважає прогнозування погоди одним з найскладніших процесів: «Метеорологи можуть робити ймовірнісні прогнози з вікном максимум в один тиждень. Але намагатися зробити це за межами цього терміну практично неможливо, оскільки невеликі збурення в початкових умовах швидко поширюються та призводять до величезних змін у результатах».

Співпраця в розвитку технологій

Попри труднощі, технологічні гіганти, такі як Google або IBM, у співпраці з NASA, та інші європейські й континентальні інституції в рамках п'ятирічного плану Організації Об'єднаних Націй, працюють у тому ж напрямку, що й Оксфордський університет з Aardvark: розробляють інструменти штучного інтелекту, які полегшують надійне прогнозування в середньо- та довгостроковій перспективі та покращують системи раннього попередження.

Модель GraphCast

Google DeepMind, компанія штучного інтелекту північноамериканського технологічного гіганта, продемонструвала в Science модель прогнозування погоди на основі машинного навчання, щоб забезпечити 10-денні прогнози, які «кращі, швидші та доступніші за існуючі підходи», згідно з дослідженням. Модель під назвою GraphCast перевершила традиційні системи в 90% тестованих випадків.

Роль ECMWF у дослідженнях

Системою, яка слугувала еталоном для Google, також був Європейський центр середньострокових прогнозів погоди, який має в Болоньї (Італія) суперкомп'ютер з близько мільйона процесорів і потужністю 30 петафлопс (30 000 трильйонів обчислень на секунду). Цей центр, який використовує штучний інтелект у своїй Інтегрованій системі прогнозування (AIFS) і пропонує довгострокові прогнози кліматичних подій, передбачив зливи у вересні в центральній Європі.

GraphCast та машинне навчання

GraphCast, як і Aardvark, використовує машинне навчання, навчене на основі історичних даних, щоб отримати точний 10-денний прогноз менш ніж за хвилину. «Ми вважаємо, що це знаменує переломний момент у прогнозуванні погоди», – кажуть автори під керівництвом Ремі Лама, науковця DeepMind.

IBM та машинне навчання

У цій гонці також бере участь IBM у співпраці з NASA з пропозицією, також машинного навчання. «Фундаментальні моделі штучного інтелекту, які використовують геопросторові [метеорологічні, сенсорні та супутникові] дані, можуть змінити правила гри, оскільки вони дозволяють нам краще розуміти, готуватися та вирішувати численні явища, пов'язані з кліматом, які впливають на здоров'я нашої планети, як ніколи раніше та з небувалою швидкістю», – пояснює Алессандро Куріоні, віцепрезидент з прискорених відкриттів в IBM.