Τεχνητή νοημοσύνη: Η πρόγνωση καιρού κάνει άλματα με το νέο ευρωπαϊκό σύστημα AI

Ενώ οι εταιρείες τεχνολογίας και τα μετεωρολογικά γραφεία σε όλο τον κόσμο εφαρμόζουν ήδη τεχνητή νοημοσύνη, το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προγνώσεων Καιρού (ECMWF) δήλωσε ότι το επιχειρησιακό του μοντέλο άνοιξε νέους δρόμους κάνοντας παγκόσμιες προβλέψεις ελεύθερα διαθέσιμες σε όλους ανά πάσα στιγμή.

Alibaba: Επενδύσεις άνω των 52 δισ. δολαρίων στην τεχνητή νοημοσύνη τα επόμενα 3 χρόνια

«Αυτό το ορόσημο θα μεταμορφώσει την επιστήμη και τις προβλέψεις του καιρού», δήλωσε στους Financial Times η Φλόρενς Ράμπιερ, γενική διευθύντρια του διακυβερνητικού οργανισμού ECMWF. «Η λειτουργία του συστήματος πρόβλεψης τεχνητής νοημοσύνης παράγει το μεγαλύτερο εύρος παραμέτρων χρησιμοποιώντας τη μηχανική μάθηση που είναι διαθέσιμη μέχρι σήμερα».

Μια πειραματική έκδοση που δοκιμάστηκε τους τελευταίους 18 μήνες έδειξε ότι το σύστημα ήταν περίπου 20% πιο ακριβές σε βασικές προβλέψεις από τις καλύτερες συμβατικές μεθόδους, οι οποίες τροφοδοτούν εκατομμύρια παγκόσμιες παρατηρήσεις καιρού σε υπερυπολογιστές και τους συμπυκνώνουν με εξισώσεις βασισμένες στη φυσική.

Η τεχνητή νοημοσύνη επεκτείνει τον χρόνο προβλέψεων

Το νέο ευρωπαϊκό σύστημα θα μπορούσε να προβλέψει την τροχιά ενός τροπικού κυκλώνα 12 ώρες πιο μπροστά, δίνοντας πολύτιμο επιπλέον χρόνο προειδοποίησης για σοβαρά γεγονότα, δήλωσε στους FT ο Φλόριαν Παπενμπέργκερ, διευθυντής προβλέψεων του ECMWF.

Το 2024, ο κόσμος γνώρισε τις πιο καυτές θερμοκρασίες που έχουν καταγραφεί και η Ευρώπη έχει γίνει η ήπειρος που θερμαίνεται με τη μεγαλύτερη ταχύτητα, προκαλώντας ακραία καιρικά φαινόμενα. Ο οργανισμός ήταν στην πρώτη γραμμή των παρατηρήσεων και της ευαισθητοποίησης του κοινού σχετικά με τις επιπτώσεις της κλιματικής αλλαγής.

Άλλα συστήματα πρόβλεψης τεχνητής νοημοσύνης μεσαίου εύρους υπό ανάπτυξη περιλαμβάνουν το GenCast και το GraphCast από το Google DeepMind, το Pangu-Weather από τη Huawei, το FourCastNet από τη Nvidia και το FuXi από την Ακαδημία Τεχνητής Νοημοσύνης της Σαγκάης για την Επιστήμη και το Πανεπιστήμιο Fudan. Όλα εκπαιδεύτηκαν σε μια βάση δεδομένων με παρατηρήσεις καιρού 40 ετών που συντάχθηκε από το ECMWF.

Η σύγκριση της ακρίβειας των ανταγωνιστικών συστημάτων πρόβλεψης τεχνητής νοημοσύνης ήταν δύσκολη, είπε ο Παπενμπέργκερ, επειδή η σχετική απόδοσή τους διέφερε ανάλογα με τις μεταβλητές και τα χρονοδιαγράμματα που αξιολογήθηκαν. Οι βαθμολογίες που δημοσιεύονται από το ECMWF δίνουν κάποια ιδέα για την απόδοση, αλλά δεν προσδιορίζουν το βέλτιστο από τα συστήματα.

Αλλά ο Παπενμπέργκερ σημείωσε ότι το σύστημά του ξεχώριζε για την πρόβλεψη πολλών περισσότερων χαρακτηριστικών από απλά την τυπική θερμοκρασία, τη βροχόπτωση και τον άνεμο. Για παράδειγμα, προβλέπει επίσης ταχύτητες ηλιακής ακτινοβολίας και ανέμου στα 100 μέτρα, το ύψος μιας τυπικής ανεμογεννήτριας, χρήσιμες για τον τομέα των ανανεώσιμων πηγών ενέργειας.

Αν και οι προβλέψεις του ECMWF είναι ελεύθερα διαθέσιμες, ο οργανισμός δεν εκδίδει ειδοποιήσεις για σοβαρές καιρικές συνθήκες ούτε εξατομικευμένες προβλέψεις στους χρήστες του κλάδου, αφήνοντας τις εξειδικευμένες προβλέψεις στις εθνικές ή τοπικές αρχές και ιδιωτικές εταιρείες.

Το ECMWF και μια ομάδα ευρωπαϊκών εθνικών μετεωρολογικών οργανισμών δημιούργησαν ένα τεχνικό πλαίσιο ανοιχτού κώδικα για τα καιρικά συστήματα τεχνητής νοημοσύνης που ονομάζεται με την ελληνική λέξη Anemoi. Η υποκείμενη αρχιτεκτονική μηχανικής μάθησης βασίζεται στο ίδιο «νευρωνικό δίκτυο γραφημάτων» με τα μοντέλα πρόβλεψης του Google DeepMind.

Μια άριστη χρήση της ΑΙ

Ο Πίτερ Μπατάλια, διευθυντής έρευνας στο DeepMind, είπε ότι ήταν «εντυπωσιακό» να δούμε πώς το ECMWF είχε προσαρμοστεί στο κύμα AI που είχε αναδιαμορφώσει το πεδίο τα τελευταία χρόνια και πως το πιο πρόσφατο ανοιχτό μοντέλο θα προσθέσει στη δεξαμενή γνώσης.

Το ECMWF σχεδιάζει να βελτιώσει περαιτέρω το σύστημά του αυξάνοντας τη χωρική του ανάλυση και μεταβαίνοντας από την παρούσα έκδοση, η οποία παράγει μία πρόβλεψη κάθε φορά, σε «συνολική πρόβλεψη», ή δημιουργώντας μια συλλογή 50 προβλέψεων ταυτόχρονα με ελαφρώς διαφορετικές συνθήκες εκκίνησης για να παρέχει μια σειρά πιθανών αποτελεσμάτων.

Στο μέλλον, είπε στους FT η Κίρστιν Ντέιλ, επικεφαλής AI στο Μετεωρολογικό Γραφείο του Ηνωμένου Βασιλείου, θα χρειαζόταν ένας συνδυασμός προσομοιώσεων με βάση τη φυσική και βάση δεδομένων για «τα συνδυασμένα πλεονεκτήματά τους για να παρέχουν ακριβείς, γρήγορες και αξιόπιστες προβλέψεις».

Σήμερα, τα όρια των αξιόπιστων καθημερινών προγνώσεων καιρού στην Ευρώπη είναι έξι έως επτά ημέρες μπροστά για βροχόπτωση και άνεμο και έως 14 ή 15 ημέρες για τη θερμοκρασία, είπε ο Παπενμπέργκερ.

«Τα μοντέλα μηχανικής μάθησης έχουν μια εύλογη πιθανότητα να το επεκτείνουν επειδή μπορεί να είναι σε θέση να εξάγουν κάτι από τα δεδομένα που μπορεί να μην απεικονίζουμε αρκετά καλά σε μοντέλα που βασίζονται στη φυσική, αυτήν τη στιγμή».

Πηγή : ot.gr