Nový software Weatherman od Googlu zanechá prognostiky v prachu

Nakonec vám robot řekne, jakou bundu byste si na akci měli vzít. Google DeepMind, fond AI tohoto vyhledávacího giganta zaměřený na umělou inteligenci, právě oznámil nový model předpovědi počasí, který překonává tradiční systémy ve více než 90 % případů. Model strojového učení nazvaný GraphCast slibuje 10denní předpovědi, které jsou lepší, rychlejší a energeticky účinnější než widgety, na kterých je dnes spuštěna aplikace počasí.

„Věříme, že to představuje zlomový bod v předpovědi počasí,“ napsali výzkumníci Google v článku. Stay Publikováno v úterý.

Obecně se současný model předpovědi nazývá Numerical Weather Prediction (NWP). Numerická předpověď počasí (NWP) spojuje aktuální povětrnostní podmínky do masivních modelů, které simulují nadcházející změny založené na principech dynamiky tekutin, termodynamiky a dalších věd o atmosféře. Je to složité, drahé a vyžaduje hodně výpočetního výkonu.

Namísto spouštění simulací toho, jak částice létají a vzájemně se srážejí, GraphCast porušuje tradici tím, že se více zaměřuje na historická data. Jinými slovy, je to model strojového učení, který vytváří předpovědi na základě toho, co se stalo v minulosti. Existuje spousta skvělé informatiky, ale obecně je mnohem jednodušší, pokud jde o úroveň a počet výpočtů, které vyžaduje.

GraphCast začíná aktuálním stavem počasí na Zemi a údaji o počasí šest hodin předem. Následně předpovídá, jak bude počasí vypadat za šest hodin. GraphCast poté vloží tyto předpovědi zpět do modelu, provede stejný výpočet a vydá dlouhodobou předpověď.

Tým Google porovnal výsledky GraphCasts se současným modelem používaným pro střednědobou předpověď počasí nazvaným HRES. Podle studie GraphCast „výrazně“ překonal HRES na 90 % cílů použitých v testu.

GraphCast má také překvapivý úspěch při předpovídání nepříznivých povětrnostních jevů včetně tropických cyklónů a bizarních teplotních změn, i když nebyl speciálně vyškolen, aby je zvládl.

Autoři studie tvrdí, že jejich práce má fungovat vedle standardních systémů, na které se spoléhají meteorologové. „Náš přístup by neměl být považován za alternativu k tradičním metodám předpovědi počasí,“ napsali autoři studie. „Namísto toho by naše práce měla být interpretována jako důkaz toho [machine learning weather prediction] Schopní čelit výzvám problémů s předpovědí v reálném světě a mají schopnost doplňovat a zlepšovat stávající nejlepší metody.