GenCast, novi AI model za vremensku prognozu iz Google DeepMinda, pokazao se dovoljno preciznim da može ravnopravno konkurirati tradicionalnim metodama. Prema nedavno objavljenom istraživanju, model je nadmašio vodeći sustav za vremenske prognoze kada je testiran na podacima iz 2019. godine.
Iako umjetna inteligencija još neko vrijeme neće zamijeniti klasične metode vremenske prognoze, mogla bi postati vrijedan alat za preciznije predviđanje vremenskih prilika i pravovremeno upozoravanje na opasne oluje. GenCast je samo jedan od nekoliko AI modela koji se razvijaju, a koji bi mogli značajno unaprijediti točnost vremenskih prognoza.
GenCast, Googleov novi AI model za vremenske prognoze
“Novi AI model unapređuje predviđanje vremenskih neizvjesnosti i rizika, pružajući brže i točnije prognoze do 15 dana unaprijed”, stoji u izjavi Googlea. Prema tehnološkom gigantu, GenCast predstavlja značajan iskorak u vremenskim prognozama temeljenim na umjetnoj inteligenciji. Ovaj model nadovezuje se na njihov prethodni sustav, koji je bio deterministički i pružao samo jednu, najbolju procjenu budućeg vremena.
“Vrijeme utječe na gotovo svaki aspekt našeg života… Predviđanje vremena ujedno je i jedan od velikih znanstvenih izazova”, rekao je Ilan Price, viši istraživač u DeepMindu, za The Verge. “Google DeepMind ima misiju unaprijediti umjetnu inteligenciju na dobrobit čovječanstva. Mislim da je ovo važan način i značajan doprinos u tom smjeru.”
Price i njegovi kolege testirali su GenCast s ENS sustavom, jednim od najnaprednijih modela za vremensku prognozu kojim upravlja Europski centar za srednjoročne vremenske prognoze (ECMWF). Prema istraživanju objavljenom ovog tjedna u časopisu Nature, GenCast je nadmašio ENS u 97,2 posto slučajeva.
GenCast predviđa vremenske prilike i rizike od ekstremnih uvjeta
s najmodernijom preciznošću
GenCast je model za vremensku prognozu temeljen na strojnom učenju, razvijen na temelju vremenskih podataka prikupljenih od 1979. do 2018. godine. Umjesto da računa složene atmosferske jednadžbe poput tradicionalnih sustava, GenCast prepoznaje obrasce iz četiri desetljeća povijesnih podataka i koristi ih za predviđanje budućih vremenskih prilika. To ga čini potpuno drukčijim od klasičnih modela poput ENS-a, koji se još uvijek oslanjaju na superračunala za simulaciju fizike atmosfere. Oba modela, GenCast i ENS, pružaju skupne prognoze koje prikazuju raspon mogućih scenarija.
Kada je riječ o predviđanju putanje tropske ciklone, GenCast je u prosjeku mogao pružiti upozorenje 12 sati ranije. Općenito, GenCast se pokazao boljim u predviđanju putanja ciklona, ekstremnih vremenskih uvjeta i proizvodnje energije vjetra do 15 dana unaprijed.
Važno je napomenuti da je GenCast testiran u usporedbi sa starijom verzijom ENS-a, koji danas radi u višoj rezoluciji, piše The Verge. U recenziranom istraživanju uspoređivala su se predviđanja GenCasta i ENS-a za 2019. godinu, kako bi se utvrdilo koliko su oba modela bila blizu stvarnim vremenskim uvjetima te godine. Prema Mattu Chantryju, koordinatoru za strojno učenje u ECMWF-u, sustav ENS značajno je unaprijeđen od 2019., što otežava procjenu kako bi GenCast danas parirao suvremenoj verziji ENS-a.
Rezolucija, naravno, nije jedini ključan faktor za precizna vremenska predviđanja. Iako je ENS već 2019. radio s nešto višom rezolucijom od GenCasta, GenCast ga je ipak uspio nadmašiti. DeepMind ističe kako su proveli slične analize na podacima iz razdoblja od 2020. do 2022. godine i postigli slične rezultate, premda ti nalazi još nisu prošli stručnu recenziju. No, nisu imali pristup podacima za 2023. godinu, kada je ENS počeo raditi u znatno višoj rezoluciji, što otežava usporedbu.
GenCast dijeli svijet na mrežu s rezolucijom od 0,25 stupnjeva, što znači da svaki kvadrat te mreže pokriva četvrtinu stupnja geografske širine i dužine. U usporedbi s time, ENS je 2019. koristio rezoluciju od 0,2 stupnja, dok danas radi s još preciznijom rezolucijom od 0,1 stupanj. Ipak, razvoj GenCasta “predstavlja značajnu prekretnicu u evoluciji vremenskih prognoza”, izjavio je Chantry. Uz ENS, ECMWF razvija i vlastiti sustav temeljen na strojnom učenju, za koji Chantry kaže da je “djelomično inspiriran GenCastom.”
Brzina je jedna od ključnih prednosti GenCasta. Ovaj model može izraditi 15-dnevnu prognozu za samo osam minuta koristeći jedan Google Cloud TPU v5. S druge strane, modeli temeljeni na fizici, poput ENS-a, za isti zadatak trebaju nekoliko sati. GenCast zaobilazi složene jednadžbe koje ENS mora riješiti, što mu omogućuje brže i manje zahtjevno generiranje prognoza.
“Tradicionalne prognoze su višestruko skuplje u smislu računalnih resursa u usporedbi s modelom poput GenCasta”, objašnjava Price.
Ova učinkovitost mogla bi smanjiti zabrinutost oko ekološkog utjecaja energetski intenzivnih podatkovnih centara za umjetnu inteligenciju, koji su već pridonijeli rastu Googleovih emisija stakleničkih plinova posljednjih godina. Ipak, teško je procijeniti kako se GenCast nosi s modelima temeljenim na fizici u smislu održivosti, budući da nisu dostupni podaci o količini energije potrebnoj za treniranje ovog strojnog modela.
Koji su potencijalni nedostaci?
Postoje mogućnosti za unapređenje GenCasta, uključujući potencijalno povećanje rezolucije. Osim toga, GenCast daje prognoze u razmacima od 12 sati, dok tradicionalni modeli to obično čine u kraćim vremenskim intervalima. To može utjecati na način na koji se ove prognoze koriste u stvarnom svijetu, primjerice za procjenu dostupnosti energije iz vjetroelektrana.
“Želite znati što će se s vjetrom događati tijekom cijelog dana, a ne samo u 6 ujutro i 6 navečer”, kaže Stephen Mullens, docent meteorologije na Sveučilištu Florida, koji nije bio uključen u istraživanje o GenCastu.
Iako postoji sve veći interes za primjenu umjetne inteligencije u poboljšanju vremenskih prognoza, ona se još uvijek mora dokazati. “Ljudi to istražuju, ali mislim da meteorološka zajednica u cjelini još nije potpuno uvjerena”, smatra Mullens. “Mi smo školovani znanstvenici koji razmišljaju u okvirima fizike… a budući da AI u svojoj osnovi to nije, još uvijek postoji dio gdje pokušavamo shvatiti – je li ovo dobro? I zašto?”
Meteorolozi sada mogu sami isprobati GenCast, jer je DeepMind objavio kod ovog otvorenog modela. Price vjeruje da će GenCast, kao i napredniji AI modeli, u budućnosti biti korišteni uz tradicionalne modele.
“Kada stručnjaci počnu koristiti ove modele, to dodatno povećava povjerenje i sigurnost”, ističe Price. “Naša želja je da ovo ostvari širok i pozitivan društveni utjecaj.”
FOTOGRAFIJE: Google, Unsplash+
