Ο Rémi Lam είχε ακούσει για τα μικροκλίματα του Σαν Φρανσίσκο, αλλά δεν συνειδητοποίησε πόσο ιδιότυπα θα μπορούσαν να είναι μέχρι που μετακόμισε εκεί φέτος. «Ο δρόμος στον οποίο μένω μπορεί να έχει ομίχλη και έχει ήλιο δύο τετράγωνα πιο κάτω», λέει. Οι μετεωρολογικές προβλέψεις για την πόλη μπορεί να είναι εντελώς λανθασμένες ανάλογα με την τοποθεσία. Ακόμη και οι καιρικές προβλέψεις τελευταίας τεχνολογίας δεν μπορούν να προβλέψουν τα μικροκλίματα της πόλης και πώς θα διαφέρουν.
Ο Λαμ έχει περάσει πολύ χρόνο σκεπτόμενος τον καιρό και πώς να τον προβλέψει. Ως ερευνητής στο Google DeepMind, την εταιρεία τεχνητής νοημοσύνης (AI) που εδρεύει στο Λονδίνο, ο Lam πρωτοπορεί στη χρήση της μηχανικής μάθησης για τη βελτίωση της πρόβλεψης καιρού. Αυτός ο τομέας έχει σημειώσει ραγδαία πρόοδο τα τελευταία χρόνια και ο Λαμ και οι συνάδελφοί του βρίσκονται στην πρώτη γραμμή αυτών των προσπαθειών.
Δεν είναι μόνοι. Ορισμένες ομάδες αγωνίζονται για την ανάπτυξη προγνώσεων καιρού με τη βοήθεια τεχνητής νοημοσύνης, συμπεριλαμβανομένων εκείνων της Microsoft, της Nvidia, της Huawei και του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμων Προγνώσεων Καιρού (ECMWF) στο Ρέντινγκ του Ηνωμένου Βασιλείου. Αλλά για μεγάλο μέρος του τρέχοντος έτους, η κορυφαία τεχνητή νοημοσύνη όσον αφορά την ακρίβεια ήταν ένα έργο που ονομάζεται GraphCast, με επικεφαλής τον Lam (R. Lam et al. Επιστήμη 3821416–1421; 2023).
«Το GraphCast ανέβασε τον πήχη από την άποψη της ικανότητας πρόβλεψης», λέει ο Matthew Chantry, ο οποίος ηγείται της έρευνας για την πρόβλεψη καιρού βάσει τεχνητής νοημοσύνης στο ECMWF.
Οι συμβατικές προγνώσεις καιρού είναι εξελιγμένα προγράμματα που προσομοιώνουν την εξέλιξη της ατμόσφαιρας της Γης με βάση τη γνωστή φυσική του τρόπου με τον οποίο ο αέρας, η θερμότητα και οι υδρατμοί κινούνται γύρω από τον πλανήτη. Το GraphCast είναι ένα τεχνητό νευρωνικό δίκτυο που έχει σχήμα πλέγματος που καλύπτει την υδρόγειο. Ο Λαμ και οι συνεργάτες του το «εκπαίδευσαν» με δεδομένα βασισμένα σε πραγματικές ατμοσφαιρικές μετρήσεις, χωρίς όμως να του δώσουν καμία ρητή γνώση των φυσικών νόμων. Ωστόσο, οι προβλέψεις AI ήταν κατά πολλά μέτρα καλύτερες από τις συμβατικές. «Έμεινα έκπληκτος που ξεπέρασε τις προβλέψεις που βασίζονται στη φυσική τόσο γρήγορα – νόμιζα ότι θα χρειαζόταν περισσότερος χρόνος», λέει ο Lam.
Και παρόλο που η εκπαίδευση είναι υπολογιστικά εντατική, οι προβλέψεις χρειάζονται λιγότερο από ένα λεπτό σε έναν προηγμένο επιτραπέζιο υπολογιστή — σε σύγκριση με τις ώρες χρόνου λειτουργίας υπερυπολογιστή για τους συμβατικούς.
Ο Λαμ γεννήθηκε σε ένα προάστιο του Παρισιού το 1988 και εκπαιδεύτηκε ως μηχανικός αεροδιαστημικής στη Γαλλία και τις Ηνωμένες Πολιτείες. Στη συνέχεια συνειδητοποίησε ότι η κατανόησή του για τη στατιστική μοντελοποίηση της μηχανικής των ρευστών θα μπορούσε να είναι χρήσιμη σε όσους χρησιμοποιούν AI. Το DeepMind, με μια κουλτούρα επικεντρωμένη στην επίλυση επιστημονικών προβλημάτων, αποδείχθηκε ότι ταίριαζε ιδανικά. “Δεν υπάρχει καλύτερο μέρος για να κάνετε μηχανική μάθηση”, λέει.
Η Maria Molina, μια ατμοσφαιρικός επιστήμονας που εφαρμόζει την τεχνητή νοημοσύνη στη μοντελοποίηση καιρού και κλίματος στο Πανεπιστήμιο του Maryland στο College Park, αποδίδει εύσημα σε εταιρείες όπως η Google για τη διάθεση των μοντέλων καιρού σε οποιονδήποτε για λήψη και εκτέλεση στους υπολογιστές τους — τουλάχιστον μέχρι στιγμής . «Κάποια στιγμή, πότε εξαντλείται αυτή η υπεραξία;» Θα μπορούσε να είναι ανησυχητικό αν αυτές οι εταιρείες κάποια μέρα έφτασαν να μονοπωλήσουν τις καλύτερες διαθέσιμες προβλέψεις, προσθέτει, ειδικά όταν πρόκειται για ακραία καιρικά φαινόμενα. «Δεν πρέπει ποτέ να περιμένουμε από το κοινό να πληρώσει για την πρόσβαση σε πληροφορίες που σώζουν ζωές».
Τα συστήματα AI δεν είναι ακόμη σε θέση να παράγουν ακριβείς καιρικές προβλέψεις ανεξάρτητα, επισημαίνει ο Lam. Συγκεκριμένα, το GraphCast και άλλα εργαλεία εξακολουθούν να βασίζονται σε δεδομένα που παράγονται από μοντέλα που βασίζονται στη φυσική ως σημείο εκκίνησης. Αλλά οι τεχνικές μηχανικής μάθησης στην πρόγνωση καιρού βελτιώνονται γρήγορα.
Αυτόν τον μήνα, μια ομάδα από την DeepMind που περιελάμβανε τον Lam δημοσίευσε ένα μοντέλο που ονομάζεται GenCast (I. Price et al. Φύση https://doi.org/10.1038/s41586-024-08252-9; 2024). Η ομάδα λέει ότι το GenCast χρειάζεται μόλις 8 λεπτά για να δημιουργήσει μια ομάδα προβλέψεων 15 ημερών που είναι πιο ακριβείς από τις συμβατικές.
Ο Λαμ ελπίζει για την ημέρα που η μηχανική μάθηση μπορεί να βοηθήσει τους μετεωρολόγους να παράγουν αξιόπιστες προβλέψεις πέρα από το τρέχον όριο των δέκα ημερών περίπου, και να κάνουν πολύ πιο λεπτομερείς, τοπικές προβλέψεις — ίσως ακόμη και για την ομίχλη του Σαν Φρανσίσκο.
Greek Live Channels Όλα τα Ελληνικά κανάλια:
Βρίσκεστε μακριά από το σπίτι ή δεν έχετε πρόσβαση σε τηλεόραση;
Το IPTV σας επιτρέπει να παρακολουθείτε όλα τα Ελληνικά κανάλια και άλλο περιεχόμενο από οποιαδήποτε συσκευή συνδεδεμένη στο διαδίκτυο.
Αν θες πρόσβαση σε όλα τα Ελληνικά κανάλια
Πατήστε Εδώ
Ακολουθήστε το TechFreak.GR στο Google News για να μάθετε πρώτοι όλες τις ειδήσεις τεχνολογίας.
