چترتان را فراموش نکنید؛ نسل جدید هوش مصنوعی هواشناسی گوگل با دقت بیسابقه معرفی شد
دانشمندان بخش دیپمایند و پژوهش گوگل از مدل هوش مصنوعی جدیدی برای پیشبینی وضع هوا رونمایی کردند؛ سیستمی که جو متغیر زمین را با وضوحی بسیار بالاتر میبیند و وضعیت آن را در فواصل زمانی کوتاهتر پیشبینی میکند.
به گزارش هفت صبح مدل WeatherNext 3 تازهترین موج از تحولات بنیادین در هواشناسی به شمار میرود که با اتکا به تکنیکهای یادگیری عمیق رقم خورده است. گوگل اعلام کرده که خروجیهای این مدل بهزودی دادههای هواشناسی در بخش جستوجو، گوگل مپس و جمینای را تغذیه خواهد کرد و علاوه بر آن، از طریق پلتفرمهای ابری گوگل در دسترس کاربران و پژوهشگران قرار میگیرد.
سمیر مرچنت، مهندس ارشد گوگل، در این باره میگوید: «این نخستین باری است که برخی متغیرهای کلیدی مستقیماً محصولات پرکاربرد گوگل را پشتیبانی و بهروزرسانی میکنند.»
این مدل جدید در ارزیابیهای پلتفرم Operational WeatherBench (ابزاری ارائهشده توسط استارتاپ Brightband برای مقایسه مدلهای پیشبینی هواشناسی مبتنی بر هوش مصنوعی) توانسته بالاترین دقت را در میان رقبا به ثبت برساند. این بنچمارک معیارهایی مانند دما، سرعت باد و رطوبت را بررسی میکند.
مدل جدید نهتنها از رقبای هوش مصنوعی توسعهیافته توسط مایکروسافت، انویدیا، مدلهای قبلی گوگل و مرکز اروپایی پیشبینی میانمدت وضعیت جوی (ECMWF) پیشی گرفته، بلکه توانسته پیشبینیهای سنتی سرویس ملی هواشناسی ایالات متحده و ECMWF را نیز پشت سر بگذارد.
گذر از ابررایانههای گرانقیمت به مدلهای سریع یادگیری عمیق
بخش عمدهای از پیشبینیهای فعلی هواشناسی از سوی ابررایانههای دولتی ارائه میشوند؛ سیستمهایی که با حل معادلات پیچیده فیزیکی کار میکنند. با وجود دقت قابلتوجه، اجرای این سیستمها بسیار پرهزینه و تا حدی زمانبر است. از سال ۲۰۱۸ و پس از انتشار دادههای جوی نیمقرن اخیر توسط مرکز اروپایی، پژوهشگران هوش مصنوعی آموزش مدلهایی را آغاز کردند که با دقتی همپای سیستمهای دولتی، با سرعت بسیار بالاتری پیشبینی میکنند.
فران الت، مدیر تیم پژوهشی در دیپمایند، توضیح میدهد: «پدیدههای جوی رفتاری آشوبناک دارند و کوچکترین تفاوتها میتوانند به اختلالات عظیمی در پیشبینی منجر شوند. یادگیری ماشین دقیقاً برای حل همین چالش به کار گرفته شده است: تقریب زدن فیزیک پیچیده و پر از نویز، با استفاده از اطلاعات ناقص و توان پردازشی محدود. از همین رو، این سامانهها الگوها را مستقیماً از دل حجم عظیمی از دادهها یاد میگیرند.»
توسعهدهندگان در مدلهای جدید به سراغ برطرف کردن سه نقطهضعف اصلی مدلهای قبلی هوش مصنوعی رفتند: پوشش مناطق بیش از حد وسیع (رزولوشن پایین بین ۱۵ تا ۲۵ کیلومتر مربع)، ضعف در پیشبینی دقیق بارش و وابستگی مداوم به پایگاههای داده ساختاریافته دولتی.
معماری و قابلیتهای شاخص در WeatherNext 3
نسخه سوم WeatherNext هر سه چالش پیشین را هدف قرار داده است. بر اساس توضیحات پژوهشگران، این سامانه قادر است متغیرهای کلیدی را تا رزولوشن دقیق ۵ کیلومتر پیشبینی کند. همچنین دقت این مدل در تخمین بارش باران در مقایسه با نسخه قبلی حدود ۶۰ درصد ارتقا یافته و پیشبینیهای آن به جای دورههای معمول ششساعته، به صورت ساعتی تولید میشوند.
جهش پارامتری و بهینهسازی هدفمند ایستگاههای هواشناسی
این ارتقا حاصل تغییرات دقیق در طراحی سیستم است. مدل WeatherNext 3 ابعادی بزرگتر پیدا کرده و تعداد پارامترهای آن ۲.۴ برابر نسبت به نسل قبل افزایش یافته است. این ساختار باعث میشود بخشهای پردازش نهایی (Decoder heads) خروجیهای مفیدتری ارائه دهند. در حالی که اغلب مدلها دادهها را در قالب میانگینهای شبکهبندی سهبعدی ارائه میدهند، تیم دیپمایند توانسته امکان ترسیم دقیق مسیر توفانها و گردبادها را نیز در این نسخه بهینهسازی کند.
همچنین توسعهدهندگان مدل را بهگونهای آموزش دادهاند که بتواند دادههای خود را برای ایستگاههای هواشناسی مشخصی روی زمین هدفگذاری کند. این ویژگی افزون بر افزایش جزئیات پیشبینی، مقایسه نتایج مدل با دادههای واقعی ثبتشده روی زمین را نیز ممکن میسازد.
دریافت بیدرنگ دادههای خام ماهوارهای
علت امکانپذیر شدن پیشبینیهای ساعتی، توانایی مدل در بلعیدن دادههای ماهوارهای به صورت بیدرنگ (Real-time) و ساعتی است. تزریق مشاهدات تجربی خام به جای تکیه بر تحلیلهای از پیشپردازششده ابررایانهها، دقت بالاتری به ارمغان میآورد؛ اگرچه تغذیه مدلها با دادههای خام و بدون ساختار همچنان چالشی فنی محسوب میشود.
اگرچه گوگل مدعی است این سیستم نخستین مدلی است که مشاهدات خام را مستقیماً برای پیشبینیهای جهانی با رزولوشن بالا به کار میگیرد، استارتاپهایی نظیر WindBorne با مدل WeatherMesh 6 پیشتر از ادغام دادههای خام بالونهای هواشناسی سخن گفته بودند. با این حال، وضوح دادههای گوگل در مقیاس جهانی بالاتر ارزیابی میشود.
کاربردهای اقتصادی و تحول صنایع با هوش مصنوعی اقلیمی
در روزهایی که مدلهای بزرگ زبانی در کانون توجه عمومی قرار دارند، انقلاب مدلهای ترانسفورمر در هواشناسی تحولی عمیق پدید آورده است. آژانسهای هواشناسی اروپا و آمریکا استفاده از مدلهای هوش مصنوعی را آغاز کردهاند. سرعت بالا و هزینه کم این سامانهها دسترسی به پیشبینیهای باکیفیت را برای مناطقی که توان خرید ابررایانهها و حسگرهای گرانقیمت را ندارند، هموار میکند.
بیل گیتس اخیراً پیشبینی هوشمند وضع هوا را یکی از دستاوردهای حیاتی این فناوری دانست که میتواند بازده کشاورزی را در کشورهای در حال توسعه متحول کند. همچنین پیشبینی بسیار دقیق وضعیت باد، باران و ابرناکی، اطمینانپذیری پروژههای انرژی پاک و تجدیدپذیر را بهمیزان چشمگیری افزایش خواهد داد.
