Minden eddiginél hatékonyabb időjóst fejlesztett a Google
A Google mesterséges intelligencián alapuló időjárás-előrejelzése, a GraphCast egy friss tanulmány szerint a verifikációs célok 90 százalékában jobban teljesít, mint akár a legfejlettebbnek tekintett hagyományos előrejelzőrendszerek – ráadásul lényegesen gyorsabb is.
A hagyományos rendszerek, így az egyik legmegbízhatóbbnak tartott európai is, numerikus modellekkel dolgoznak, a kifejlesztésük több millió dollárba került, a velük végzett számítások rendkívül erőforrás-igényesek és drágák. A GraphCast máshogy működik: a mesterséges intelligencia az elmúlt negyven év megfigyelési adatainak alapján jósolja meg, hogy milyen változások várhatóak az időjárásban.
A folyamat, ami a cikk szerint hagyományos előrejelzési módszerekkel egy szuperszámítógépet és egy órát igényel, a GraphCastnak egy percébe telik. A mesterséges intelligencia az európai rendszerrel (az ECMWF-modellek használatával) összevetve a hőmérséklet alakulásában és az extrém időjárási események előrevetítésében is jobb eredményeket ért el.
Nem tudják, hogy honnan, de tudja
Ez utóbbi azért is meglepő, mert az ember azt hinné, hogy az extrém eseményeket éppen a ritkaságuk miatt nem könnyű megjósolni, ezért ebben a deep learning gyengébben teljesít majd, de nem ez a helyzet. Peter Battaglia, a Google DeepMind kutatási igazgatója, a tanulmány egyik szerzője szerint nem ez a helyzet, de azt még a kutatók sem tudják, hogy mi okozza ezt a sikert: Battaglia azt gyanítja, hogy a deep learning valami olyan mintázatot fedezett fel az elmúlt negyven év adatai között, amihez az adatok puszta feldolgozása magában még nem elég.
Bár a GraphCast sikereit Aaron Hill, a Coloradói Állami Egyetem mélytanulásos algoritmusának vezető fejlesztője is figyelemre méltónak találja, sem ő, sem más szakemberek nem gondolják, hogy az új módszer teljes egészében helyettesíthetné a numerikus modellek használatát. Bár sok területen pontosnak, sőt pontosabbnak tűnik, mint az eddig legmegbízhatóbbnak tartott modellek, a kisebb léptékű jelenségek, például a viharok és a villámárvizek előrejelzésénél kevésbé hatékony.
A meteorológusokat az átláthatóság hiánya is aggasztja: míg a hagyományos előrejelzéseknél jól látható, hogy mi alapján születnek az előrejezések, a GraphCast pontos működését még a fejlesztői sem ismerik. Battaglia és társai egyetértenek benne, hogy a mesterséges intelligencia épp ezek miatt még nem válthatja le a hagyományos módszereket, inkább kiegészítésként javasolják a használatát.
A mostani kutatás preprint, külsős szakmai lektor által nem ellenőrzött eredményeit már augusztusban publikálták az ilyen tanulmányok közreadásával foglalkozó arXiv.org-on, a mostani, a Science-ben megjelent tanulmány viszont már ellenőrzött publikációnak számít.
Kapcsolódó cikkek a Qubiten: