“GenCast je model prognoze vremena temeljen na strojnom učenju koji uči izravno iz povijesnih vremenskih podataka. To je u suprotnosti s tradicionalnim modelima koji prognoze rade rješavanjem fizikalnih jednadžbi”, rekao je Ilan Price, koautor studije za The Register. “Razlika je što GenCast nije ograničen na učenje dinamike odnosno obrazaca koji su točno poznati i mogu se uvrstiti u jednadžbu kao kod tradicionalnog predviđanja atmosferske dinamike”, dodao je.
AI je uspio precizno predvidjeti vrijeme
Istraživački tim obučavao je GenCast na podacima Europskog centra za srednjoročne vremenske prognoze, od 1979. do 2018. godine, o temperaturi, brzini vjetra i tlaku zraka na različitim nadmorskim visinama. Zatim su testirali 15-dnevno predviđanje modela na 1320 vremenskih događaja u 2019. godini i usporedili ga s predviđanjem Europskog centra, piše The New York Times. GenCast je uspio predvidjeti vrijeme i ekstremne događaje točnije od modela Europskog centra, nadmašivši ga za 97,2 posto, tvrde autori studije.
GenCastova prognoza dala je širok raspon mogućih putanja za tajfun Hagibis koji je pogodio Japan 2019.godine, a kako se razdoblje sužavalo, predviđanje je bilo sigurnije. “GenCast generira 50 ili više prognoza koje nude niz vremenskih scenarija. Takva metoda omogućuje programu da pronalazi nesigurnost u prognozi. Ako većina prognoza predviđa isto područje neizvjesnost je mala, ali ako predviđa različite lokacije, neizvjesnost je veća. GenCast postiže pravu ravnotežu, izbjegava preuveličavanje ili podcjenjivanje povjerenja u svoje prognoze”, objašnjava koautor studije Remi Lam.
GenCast generira svoju 15-dnevnu prognozu u samo osam minuta što je značajan korak naprijed. Tradicionalnim prognozama trebaju sati da naprave predviđanja s pomoću superračunala. Brza i točna predviđanja važna su u slučaju ekstremnih vremenskih prilika i neophodna za spašavanje života, infrastrukture i novca pružajući ljudima priliku da se bolje i na vrijeme pripreme za nepovoljne uvjete. Može pomoći i u planiranju obnovljivih izvora energije kroz bolje predviđanje vjetra. Vremenska prognoza na pragu je temeljne promjene u metodologiji, ali je još je dug put prije nego što strojno učenje zamijeni predviđanje temeljeno na fizici.