Модель ШІ GraphCast перевершила традиційні системи прогнозування погоди (Фото:Скриншот із відео Google DeepMind) Метеорологічна модель штучного інтелекту від Google DeepMind під назвою GraphCast за ефективністю значно перевершила звичайні методи прогнозування погоди. GraphCast вміє генерувати прогноз на 10 днів приблизно за хвилину, використовуючи архітектуру машинного навчання на основі історичних даних Європейського центру середньострокових прогнозів погоди (ECMWF) про погоду за останні чотири десятиліття.
Цей метод машинного навчання Google відрізняється від традиційних чисельних методів прогнозування погоди, які покладаються на суперкомп’ютери. Вони є енерговитратним та потребують значно більше часу для аналізу інформації.
На тестуванні GraphCast продемонструвала кращу, порівняно з провідною у світі традиційною системою, яку використовує ECMWF, продуктивність. Під час аналізу 1380 показників (температура, тиск, швидкість і напрям вітру, вологість на різних рівнях атмосфери тощо) GraphCast обійшла систему ECMWF у 90% випадків, йдеться у дослідженні, опублікованому в журналі Science.
Водночас у моделі є чимало недоліків. Серед них — масштаби прогнозування. Через технологічні обмеження глобальні моделі ШІ поки що не можуть створювати детальні довгострокові прогнози, як це можуть робити традиційні системи, пише The Washington Post. Крім цього, GraphCast не перевершив звичайні моделі за такими сценаріями, як прогнозування ураганів.
Автори дослідження не пропонують використовувати GraphCast як заміну традиційних методів прогнозування погоди, але вірять у розкриття її потенціалу у фізичних науках.
«Наш підхід не слід розглядати як заміну традиційним методам прогнозування погоди, які розроблялися десятиліттями, ретельно перевірялися в багатьох контекстах реального світу та пропонують багато функцій, які ми ще не вивчили. Швидше нашу роботу слід інтерпретувати як доказ того, що прогноз погоди на основі машинного навчання здатний розв’язувати реальні проблеми прогнозування та має потенціал для доповнення та вдосконалення найкращих з поточних методів. Крім прогнозування погоди, GraphCast може відкрити нові напрямки для інших важливих геопросторово-часових проблем прогнозування, включаючи клімат і екологію, енергетику, сільське господарство, людську та біологічну діяльність, а також інші складні динамічні системи», — пишуть автори дослідження.
Читайте про це у новому номері NV, що можна придбати тут
