Žvėriškas „Google“ DI įrankis. „97 % tikslumas“

„GenCast“, revoliucinis „Google DeepMind“ DI modelis, gerokai pranoksta iki šiol naudojamus tiksliausius metodus ir prognozes vertina kitaip nei kiti panašūs modeliai. Kaip ši technologija veikia ir kokią naudą ji mums gali atnešti?

„GenCast“ yra novatoriškas DI modelis, kurio bandymai parodė didesnį tikslumą nei pirmaujanti Europos vidutinio nuotolio orų prognozių centro ENS sistema.

Praktiškai „GenCast“ orų pokyčius gali numatyti iki 20 % didesniu tikslumu nei ENS, analizuojant tiek kasdienes atmosferos sąlygas, tiek ekstremalius oro reiškinius, įskaitant uraganus ar atogrąžų ciklonus. Palyginus rezultatus su realiais duomenimis, šis modelis pasiekė 97 % prognozės tikslumą.

Be to, modelis tiksliau numato ekstremalių oro reiškinių trajektorijas, o tai labai svarbu civilinei saugai ir planuojant gelbėjimo operacijas.

„GenCast“ yra lūžis kuriant DI orų prognozes“, – sakė „Google DeepMind“ mokslininkas Ilanas Price'as.

Tradicinės prognozės yra pagrįstos sudėtingais matematiniais modeliais, kuriems reikia šimtų tūkstančių procesorių ir daug valandų superkompiuterio darbo.

„GenCast“ veikia visiškai kitaip. Modelis mokėsi iš 40 metų orų duomenų, analizuodamas daugybę kintamųjų, daugiausia vėjo greitį, temperatūrą, slėgį ir drėgmę, nors, žinoma, rodiklių buvo daug daugiau. Dėl to jis išmoko puikiai nuspėti, kaip keičiasi atmosferos sąlygos įvairiose Žemės vietose.

„GenCast“ taip pat išsiskiria savo greičiu, nes naudojant vieną „Google Cloud“ TPU lustą sukurti 15 dienų prognozę užtrunka vos 8 minutes. Tai yra reikšmingas pagreitis, palyginti su tradiciniais metodais.

Be to, „Google“ modelis generuoja savo prognozes pateikdamas įvairių orų scenarijų tikimybę, o tai leidžia universaliau prisitaikyti prie prognozių.

Nors „GenCast“ yra proveržio technologija, ji nėra be apribojimų. Modelis vis dar pagrįstas istoriniais duomenimis, kurie gali būti nevisiškai tinkami dinamiškai kintančio klimato sąlygomis. Taip pat atkreipiamas dėmesys į sunkumus atspindint vadinamąjį drugelio efektą, t. y. sparčiai didėjančių prognozių neapibrėžtumo kaskados.

Papildomas iššūkis yra atmosferos kintamieji, kurie ne visada yra tiesiogiai stebimi ir matuojami. Siekdama užpildyti šias spragas, „GenCast“ mokymams naudoja istorinius duomenis, papildytus fiziniais modeliais, kurie, nors ir nėra tokie tikslūs kaip tikri matavimai, kaip matyti iš modelio rezultatų, veikė gerai kaip mokomieji duomenys.

Nepaisant įspūdingų „GenCast“ modelio rezultatų, žmonių vaidmuo prognozuojant orus vis dar yra neįkainojamas. Meteorologai gali „sujungti taškus“ iš įvairių duomenų ir, remdamasis savo žiniomis, priimti svarbius sprendimus.

DI, nors ir itin naudingas ir greitas, šiuo metu negali visiškai pakeisti žmogaus intuicijos ir patirties. Atvirkščiai, tai laikoma įrankiu, padedančiu žmogaus darbui.