Ilan Price, a Google DeepMind-kutatója elmondta, hogy a GenCast megjelenése fordulópontot jelent az időjárás-előrejelzésben. Szerinte a program beépíthető a már meglévő előre jelző rendszerekbe, emellett értékes betekintést nyújthat a döntéshozóknak a közelgő időjárási események jobb megértéséhez és az azokra való felkészüléshez.

A GenCast teljesítménye igazán lenyűgöző: az Európai Középtávú Időjárás-előrejelző Központ (ECMWF) 15 napos prognózisainak pontosságát az esetek 97,2 százalékában felülmúlta.

Ebbe beletartozott a hőmérséklet, a szélsebesség és a páratartalom. Ez jelentős előrelépés a Google DeepMind tavaly bemutatott GraphCast modelljéhez képest, amely az ECMWF előrejelzéseit nagyjából 90 százalékában haladta meg a 3–10 napos prognózisok esetén. 

Sebesség és hatékonyság 

A mesterséges intelligencián alapuló előre jelző modellek egyik legnagyobb előnye a gyorsaság. A GenCast mindössze nyolc perc alatt képes elkészíteni a prognózisát, míg a hagyományos módszerekkel ez órákba telik. Ráadásul mindezt a számítási kapacitás töredékével éri el. A rendszer az ECMWF négy évtizednyi adatain tanult, és az úgynevezett „ensemble” előrejelzéseket használja, amely különböző lehetséges kimeneteleket vesz figyelembe – ezt a technikát a legmodernebb hagyományos prognózisoknál is alkalmazzák. 

Az ECMWF szakemberei szerint a GenCast fejlesztése „mérföldkő az időjárás-előrejelzés fejlődésében”. A szervezet már be is építette a modell kulcsfontosságú elemeit saját MI-alapú rendszerébe, és június óta élő ensemble prognózisokat is készít. Ugyanakkor az ECMWF figyelmeztetett arra, hogy a GenCast mögött álló innovatív gépi tanulási tudományt szélsőséges időjárási események esetén még tesztelni kell.

Steven Ramsdale, a brit Met Office vezető meteorológusa az MI-vel kapcsolatos felelősségi körökről nyilatkozva kiemelte, hogy annak teljesítményétől függetlenül szükség van az emberi munkaerőre is. A szakértő szerint az új fejlesztések valóban izgalmasak, és aktívan kutatják, hogyan lehet ezeket hasznosítani saját MI vezérelt prognosztizáló modelljeikben. 

A kutatók szerint a GenCast még tovább fejleszthető, különösen a nagy viharok intenzitásának előrejelzésében. Az adatok felbontása is növelhető, hogy megfeleljenek az ECMWF idei fejlesztéseinek. A Google júliusban már bemutatta a NeuralGCM modelljét is, amely ötvözi a gépi tanulást és a hagyományos fizikát, hogy még jobb eredményeket hozzon a hosszú távú prognózisokban és az éghajlati trendek meghatározásában, mint amit kizárólag MI-vel lehetne elérni.

Kapcsolódó:

Címlapfotó: Dreamstime