Неверојатна прецизност: Моделот за временска прогноза со вештачка интелигенција на Google поставува нови стандарди
Со помош на новиот модел на Гугл со вештачка интелигенција GenCast, временската прогноза би можела да стане попрецизна и енергетски поефикасна. Проблемот е што, иако е интересен и на многу начини подобар, моделот има неколку многу забележливи недостатоци
GenCast, нов модел на вештачка интелигенција развиен од Google DeepMind, се покажа како доволно прецизен за да се натпреварува со традиционалните методи за временска прогноза. Според неодамна објавеното истражување, GenCast го надминал еден од водечките модели за временска прогноза, системот ENS, 97,2 проценти од времето кога се тестирал на податоци од 2019 година.
Како функционира GenCast?
GenCast е модел за машинско учење обучен за временски податоци од 1979 до 2018 година. Наместо да ја симулира физиката на атмосферата, како што прават традиционалните модели, GenCast користи обрасци од историски податоци за да ги предвиди идните услови. На овој начин, може да генерира прогнози побрзо и со помалку компјутерски ресурси.
Моделот ја дели Земјата на мрежа со резолуција од 0,25 степени географска ширина и должина, додека ENS работеше со резолуција од 0,2 степени во 2019 година, а сега работи со уште поголема резолуција од 0,1 степени.
Предности и ограничувања на GenCast
Главната предност на GenCast е брзината и ефикасноста. Моделот може да генерира 15-дневна прогноза за само осум минути користејќи Google Cloud TPU v5, додека за традиционалните модели како ENS потребни се неколку часа. Друга работа што му оди во прилог е прецизноста. GenCast покажа значителни предности во прогнозирањето на екстремните временски настани како што се циклоните, често обезбедувајќи дополнителни 12 часа предупредување во споредба со ENS.
Третата предност е енергетската ефикасност. Поради помалата потреба од компјутерска моќ, GenCast потенцијално може да го намали отпечатокот на животната средина во споредба со потрошувачката на енергија на традиционалните методи.
GenCast има и некои ограничувања, од кои првото е дека прогнозите се генерираат во интервали од 12 часа, додека традиционалните модели често нудат подетални прогнози во пократки интервали – ова може да биде клучно за практични апликации како што е проценка на производството на енергија од ветер. Исто така, истакнува Verge, GenCast беше тестиран на податоци од 2019 година, а споредба со денешните понапредни верзии на ENS сè уште не е достапна.
Поширока примена и иднина
DeepMind го објави кодот на моделот GenCast како отворен извор, дозволувајќи им на експертите дополнително да го тестираат и приспособат. Целта е да се интегрира GenCast со традиционалните модели за да се подобрат прогнозите во реалниот свет.
Експертите како Стивен Муленс од Универзитетот во Флорида истакнуваат дека моделите со вештачка интелигенција како GenCast сè уште треба да ја добијат довербата на метеоролошката заедница. „Метеоролозите размислуваат во смисла на физика, а вештачката интелигенција се заснова на различни принципи“, вели Муленс.
Илан Прајс од DeepMind верува дека GenCast и слични модели ќе дадат значителен придонес во општеството: „Сакаме ова да има широко социјално влијание и да им помогне на луѓето ширум светот“.