Visbeidzot, robots jums pateiks, kura jaka jums ir jāvelk uz pasākumu. Google DeepMind, meklēšanas giganta uz AI vērstais AI fonds, tikko ir paziņojis par jaunu laika prognozēšanas modeli, kas vairāk nekā 90% gadījumu pārspēj tradicionālās sistēmas. Mašīnmācīšanās modelis ar nosaukumu GraphCast sola 10 dienu prognozes, kas ir labākas, ātrākas un efektīvākas nekā logrīki, kas šodien darbojas jūsu laikapstākļu lietotnē.
“Mēs uzskatām, ka tas ir pagrieziena punkts laika prognozēšanā,” rakstā rakstīja Google pētnieki. Stady Publicēts otrdien.
Kopumā pašreizējo prognozēšanas modeli sauc par skaitlisko laikapstākļu prognozēšanu (NWP). Skaitliskā laikapstākļu prognozēšana (NWP) savieno pašreizējos laika apstākļus masveida modeļos, kas simulē gaidāmās izmaiņas, pamatojoties uz šķidruma dinamikas, termodinamikas un citu atmosfēras zinātņu principiem. Tas ir sarežģīti, dārgi un prasa lielu skaitļošanas jaudu.
Tā vietā, lai veiktu simulācijas par daļiņu lidošanu un sadursmi savā starpā, GraphCast pārtrauc tradīcijas, vairāk koncentrējoties uz vēsturiskiem datiem. Citiem vārdiem sakot, tas ir mašīnmācīšanās modelis, kas sniedz prognozes, pamatojoties uz pagātnē notikušo. Ir daudz lielisku datorzinātņu, taču kopumā tā ir daudz vienkāršāka, ņemot vērā nepieciešamo aprēķinu līmeni un skaitu.
GraphCast sākas ar pašreizējo Zemes laikapstākļu stāvokli un datiem par laikapstākļiem sešas stundas iepriekš. Pēc tam tā prognozē, kādi laikapstākļi izskatīsies pēc sešām stundām. Pēc tam GraphCast šīs prognozes ievada atpakaļ modelī, veic to pašu aprēķinu un izdod ilgtermiņa prognozi.
Google komanda salīdzināja GraphCast rezultātus ar pašreizējo modeli, ko izmanto vidēja diapazona laika prognozēšanai, ko sauc par HRES. Saskaņā ar pētījumu GraphCast “ievērojami” pārspēja HRES 90% no testā izmantotajiem mērķiem.
GraphCast ir arī guvis pārsteidzošus panākumus, prognozējot smagus laikapstākļus, tostarp tropiskos ciklonus un dīvainas temperatūras izmaiņas, lai gan tas nav īpaši apmācīts rīkoties ar tiem.
Pētījuma autori saka, ka viņu darbs ir paredzēts darbam līdzās standarta sistēmām, uz kurām paļaujas meteorologi. “Mūsu pieeju nevajadzētu uzskatīt par alternatīvu tradicionālajām laika prognozēšanas metodēm,” raksta pētījuma autori. “Tā vietā mūsu darbs būtu jāinterpretē kā pierādījums tam [machine learning weather prediction] Spēj risināt reālās pasaules prognozēšanas problēmas un spēj papildināt un uzlabot esošās labākās metodes.
