AI-модель передбачає погоду у 1000 разів економніше

Системи прогнозування погоди надають життєво важливу інформацію про небезпечні шторми, смертельні теплові хвилі, потенційні посухи та інші кліматичні виклики.

Джерело: phys.org

Проте їх точність не завжди висока. А іронія в тому, що суперкомп’ютери, які генерують ці прогнози, самі споживають значні обсяги енергії, сприяючи викидам парникових газів — ті самі, що провокують дедалі хаотичніші погодні явища.

«Сучасний процес надзвичайно обчислювально затратний», — пояснює Джеймс Рекейма, постдокторант Університету Торонто й дослідник Інституту штучного інтелекту Vector.

На цьому тлі з’явилася Aardvark Weather — модель прогнозування погоди, розроблена Рекеймою та колегами за допомогою штучного інтелекту. У статті в журналі Nature зазначено, що система забезпечує порівняну з традиційними методами точність, але працює у 10 разів швидше, використовуючи в тисячу разів менше обчислювальних потужностей і значно менше даних.

Більше того, модель можна запускати на звичайному комп’ютері або ноутбуці. Вона є з відкритим кодом і легко налаштовується, що дозволяє невеликим організаціям, країнам, що розвиваються, або віддаленим громадам створювати власні прогнози з використанням доступних даних і мінімального бюджету.

Це нововведення з’явилося дуже вчасно: Техас досі оговтується від катастрофічних повеней, Манітоба переживає наймасштабніші лісові пожежі за 30 років, а Європа — смертельні хвилі спеки. Світ гостро потребує доступних і точних метеорологічних прогнозів.

«Часто говорять про потенціал ШІ, який може допомогти людству. Ми сподіваємось, що ці моделі прогнозування погоди втілять цю обіцянку в життя», — зазначає Рекейма.

Модель Aardvark Weather розробляється в Кембриджському університеті та Інституті Тюрінга. Рекейма приєднався до проєкту у 2023 році.

Як наразі прогнозують погоду?

Великі метеоагентства — як-от Національна служба погоди США чи Європейський центр середньострокових прогнозів — вводять у суперкомп’ютери поточні атмосферні умови, після чого виконують чисельне моделювання для прогнозування майбутніх станів атмосфери.

Реальні спостереження постійно додаються до моделей, щоб оновити оцінки та перезапустити прогноз. Це безперервний ітераційний цикл. На основі цих прогнозів створюються спеціалізовані прогнози — наприклад, торнадо чи опадів.

Як штучний інтелект може зробити це ефективніше?

Підхід «end-to-end» у глибинному навчанні кардинально змінює метеорологію. Замість дорогого ітераційного моделювання, модель ШІ безпосередньо поєднує вхідні дані з тими погодними змінними, які нас цікавлять. Ми просто подаємо на вхід сирі спостереження — із супутників, суден і метеостанцій — і модель вчиться напряму прогнозувати дощ, тиск та інші параметри.

Так, навчання моделі вимагає певних ресурсів. Але після навчання вона надзвичайно ефективна — настільки, що її можна запускати на ноутбуці. Прогнози створюються набагато швидше, ніж за допомогою традиційних методів.

Це означає, що громади можуть розгортати ці моделі локально та створювати прогнози саме для тих погодних умов, які є критично важливими для них.