Temat naszego splitbloga na ten miesiąc pochodzi od naszego team leadera ds. rozwoju: Bartosza. Kto go zna, ten wie, że jest on ludzkim scyzorykiem szwajcarskim i jako taki jest nie tylko doskonale obeznany z meteorologią, ale także jest utalentowanym pisarzem. Dlatego też nie omieszkał sam napisać tekstu na wybrany przez siebie temat. Ale przeczytajcie sami!
Hej Siri, jaka będzie pogoda?
Właściwie proste pytanie. Ale także takie, na które odpowiedź wcale nie wydaje się taka prosta. A gdy się przyjrzeć bliżej, to dopiero wtedy zauważa się, co jest potrzebne, aby odpowiedzieć na pytanie, czy warto zabrać ze sobą parasol, czy nie.
Przede wszystkim musimy zebrać dane. I to całkiem sporo. Na całym świecie znajdują się niezliczone stacje pomiarowe, które mierzą temperaturę, ciśnienie i wilgotność powietrza oraz kierunek i prędkość wiatru. Dodatkowo korzystamy z danych z balonów meteorologicznych, samolotów, statków i satelitów.
Aby na podstawie tego określić pogodę, potrzebujemy jeszcze modelu pogodowego. Nie jest to model fizyczny, lecz raczej matematyczny opis naszej pogody za pomocą wielu równań i parametrów, do których wprowadzamy nasze dane pomiarowe, aby zobaczyć, jak pogoda będzie się rozwijać.
Parametry? Jakie znowu parametry? No cóż… to jest cała masa danych i cała masa równań, a żeby to obliczyć, potrzebowaliśmy do tej pory niezwykle wydajnych superkomputerów i nawet one nie były w stanie wystarczająco szybko wykonać tego zadania, ponieważ: na co nam najlepsza prognoza, jeśli jest gotowa dopiero wtedy, gdy już się wydarzyło.
Zaczynamy więc upraszczać rzeczy, na przykład: co się dzieje w pobliżu gruntu? Albo na przejściu z wody do lądu? Skomplikowane procesy są znacznie upraszczane, a tym samym nieco mniej dokładne, ale także obliczalne w dającym się przewidzieć czasie.
Dość o pogodzie! W końcu ma tu chodzić o AI. A może jednak istnieje jakieś połączenie?
Tak, istnieje. Od pewnego czasu istnieją bowiem bardzo interesujące podejścia AI, które obiecują prognozy pogody bez tak dużego nakładu obliczeniowego i czasowego. W zeszłym roku dział badań AI Google DeepMind opublikował model GraphCast, który, wytrenowany na danych historycznych, potrzebuje tylko ułamka mocy obliczeniowej numerycznych (czyli: opisanych wcześniej) modeli pogodowych i może na przykład dostarczyć 10-dniową prognozę w mniej niż minutę. A GraphCast wydaje się być nie tylko szybszy, ale – przynajmniej częściowo – także dokładniejszy niż numeryczne modele pogodowe i na przykład przewidział wcześniej niż modele numeryczne, w którym miejscu huragan Lee uderzy w ląd.
Nic więc dziwnego, że wszystkie duże służby meteorologiczne eksperymentują obecnie z podejściami AI, podobnie jak Niemiecka Służba Pogodowa (DWD), która nawet kilka dni temu w komunikacie prasowym ogłosiła przełom w prognozowaniu pogody wspomaganym przez AI dzięki swojemu nowo opracowanemu modelowi AI-Var.
Wraz z tempem, w jakim rozwija się obecnie cała dziedzina sztucznej inteligencji, pozostaje bardzo ekscytujące, co przyszłość – również w sensie meteorologicznym – ma dla nas w zanadrzu. A do tego czasu okażmy może trochę łagodności naszym meteorologom i ich prognozom, jak widzieliśmy, nie jest to wcale takie proste.
Źródła:https://www.dwd.de/DE/presse/pressemitteilungen/DE/2024/20240617_pm_ki_news.html
https://www.spektrum.de/news/graphcast-neues-ki-modell-soll-genauere-wettervorhersage-liefern/2198859
