У Microsoft новый ML-инструмент для улучшения прогнозов погоды
Новое ПО с открытым исходным кодом может сделать прогнозирование погоды с помощью ИИ более доступным.
Классическое физическое прогнозирование погоды и даже новые ИИ-модели обычно становятся менее надёжными за пределами двух недель — проблему, которую Microsoft, как утверждается, решила с помощью машинного обучения.
Исследователи компании говорят, что нашли новый экономически эффективный способ делать более точные прогнозы на две–шесть недель вперёд — позволяя фермерам и аварийным службам планировать заранее с большей уверенностью. Результаты опубликованы сегодня в журнале Nature, а сам инструмент теперь доступен как ПО с открытым исходным кодом.
Microsoft присоединяется к Google, Nvidia и другим компаниям, разрабатывающим ИИ-инструменты для прогнозирования погоды. Вместо создания новой самостоятельной модели погоды последнее исследование Microsoft в этой области использует машинное обучение для коррекции смещений в существующих моделях. По мнению исследователей, это более доступный способ для агентств с ограниченными ресурсами повысить точность с помощью ИИ.
В то время как физическое моделирование требует огромных вычислительных ресурсов на суперкомпьютерах, а генеративный ИИ зависит от мощных GPU, новый инструмент, по словам ведущего исследователя Microsoft Research New England Лестера Макки, может работать только на CPU. «Я питаю большую надежду и на повышение ресурсоэффективности прогнозирования погоды, и на расширенную надёжность прогнозов, особенно для экстремальной погоды», — говорит Макки The Verge.
Физические и ИИ-модели сталкиваются со схожими проблемами, когда начинают прогнозировать погоду на две недели и более вперёд. Традиционные модели пытаются моделировать сложную физику атмосферы Земли, а ИИ-модели ищут закономерности в исторических данных. В обоих подходах модели полагаются на приближения, чтобы восполнить пробелы в данных — будь то регионы с редкими метеостанциями или сложные атмосферные явления. Способы, которыми модели компенсируют эти пробелы, могут превратиться в систематическое смещение. Возникающие ошибки накапливаются при прогнозах на более дальние сроки, делая их менее точными.
Microsoft называет свой метод вероятностной коррекцией смещений (PBC). Инструмент использует машинное обучение, чтобы выявлять систематическое смещение в модели и вносить коррективы. Один из примеров, который приводит Макки, — коррекция на изменения климата. Выбросы парниковых газов от ископаемого топлива нагревают планету, но модель погоды может делать прогнозы на основе исторических записей, что смещает её к более холодным температурам, чем мир испытывает сегодня.
Исследователи обнаружили, что PBC повысила точность ведущей физической модели Европейского центра среднесрочных прогнозов погоды (ECMWF) для 98% целей по осадкам и 92% по температуре. Фреймворк машинного обучения также удвоил точность новой системы ИИ-прогнозирования ECMWF в анализе исследования. Ещё до публикации ECMWF наградил авторов за исследование PBC в своём конкурсе AI Weather Quest.
Новая публикация о PBC исследователей Microsoft, MIT, ECMWF и других институтов «является хорошим примером новых идей, разрабатываемых на благо и для рассмотрения сообществом», — заявил в комментарии The Verge Мэттью Чантри, стратегический руководитель ECMWF по машинному обучению.
«Как всегда, превращение идей в реальность в операционном процессе — самый сложный шаг», — добавил Чантри.
Объём вычислений и инфраструктуры, необходимых для прогнозирования погоды, часто делал технологические достижения недоступными для многих агентств в развивающихся странах. Однако авторы считают, что PBC может быть иной. «Одна из вещей, которая по-настоящему волнует меня в таких моделях, как PBC, — насколько они лёгкие и простые в обучении, что учёные без огромных ресурсов могут настраивать эти модели и делать их лучше в конкретных регионах», — говорит Женевьева Фласполер, одна из авторов.
Фласполер работала над PBC стажёром в Microsoft вместе с Макки, а теперь является исполнительным директором некоммерческой организации Rhiza Research, которая сотрудничает с Кенийской метеорологической службой — при финансировании фонда Гейтса — чтобы проверить, поможет ли ИИ донести более точные ранние предупреждения до людей. PBC — один из методов, которые они тестируют в преддверии ожидаемого более экстремального сезона дождей во время рекордного Эль-Ниньо.
