Ljudi nemaju zamjene?

Tradicionalne metode predviđanja, iako učinkovite do određene točke, često se bore s dugotrajnom varijabilnošću vremenskih obrazaca. Međutim, korištenjem naprednih neuronskih mreža, odnosno umjetne (vještačke) inteligencije da li se to može poboljšati?

Predviđanje vremena jedan je od najstarijih i najzahtjevnijih znanstvenih pothvata. Meteorolozi desetljećima koriste numeričke modele prognoze. Ovi modeli uzimaju trenutna opažanja vremena iz meteoroloških balona i postaja diljem svijeta (sa vrijednostima temperature, tlaka zraka, brzine i smjera vjetra, vlažnost zraka…) i unose ih u grupu jednadžbi (modeli temeljeni na zakonima fizike).

Na osnovu jednadžbi za određivanje budućih vremenskih stanja koriste se superračunala. Najbolji model prognoze koji je trenutačno dostupan je integrirani sustav prognoze ( IFS ), kojim upravlja Europski centar za srednjoročne prognoze ( ECMWF ).

Predviđanje vremena prolazi kroz veću promjenu dodavanjem modela temeljenih na umjetnoj inteligenciji (AI) tradicionalnim modelima temeljenim na fizici.

AI, s druge strane, radi drugačije. Koristi ogromne skupove podataka s detaljima prošlih vremenskih događaja kako bi saznao što će se najvjerojatnije dogoditi u budućnosti.

Oni ne izračunavaju fizičke jednadžbe, već se temelje na takozvanom "strojnom/mašinskom učenju", u kojem model uči razvoj vremena iz povijesnih vremenskih uvjeta pomoću programirane neuronske mreže. Za treniranje sustava korišteni su podaci od 1979. do 2017. godine iz vremenske baze podataka ECMWF-a.

Zbog ove razlike, informatičari se nadaju da se umjetna inteligencija može koristiti za izradu preciznijih i detaljnijih vremenskih prognoza s dužim vremenskim rokom.

Na neki način AI je poput starog iskusnog meteorologa koji analizirajući situaciju, mogu pronaći sličnu prošlu situaciju i prilično brzo zamisliti kakvo će biti vrijeme i moguće utjecaje na teritorija.

Stoga imamo da su AI pogonjene prognoze znatno brže. Modeli predviđanja temeljeni na umjetnoj inteligenciji poput GraphCasta, koje je razvio Google DeepMind, je potrebno manje od minute za izradu 10-dnevne prognoze, a može raditi čak i na običnom računalu.

Ako bi AI koristila samo ogromne skupove prošlih vremenskih podataka da predvidi što će se najvjerojatnije dogoditi u budućnosti, javlja sumnja u sposobnost predviđanja ekstremnih ili rijetkih događaja, koji nikada nisu bili izmjereni ili promatrani.

AI daje bolje kratkoročne prognoze, ali kako je slabije rezolucije (HRES ima mrežu rezolucije 8x8km, a trenutno GraphCast 28x28km) "finiji fenomeni" poput grmljavinske oluje ili malih vremenskih promjena ne mogu se ispravno prognozirati. Prognoza preko 10 dana ima problem, AI ne može prevladati temeljno kaotično načelo vremenske prognoze – efekat letpria. Tako da je inferioran još u tom polju.

Prognostičari općenito pokreću nekoliko numeričkih modela, a zatim integriraju dobivene informacije—filtrirane kroz njihovo vlastito stručno znanje o lokalnoj geografiji ili klimi i prednostima i slabostima svakog modela—u koherentno predviđanje, uzimajući sve to u obzir. Tako da se još ne može zamijeniti čovjek i udaljiti iz prognoze vremena.

GraphCast i drugi slični alati za predviđanje nisu "interpretabilni". To znači da se ishodi ne mogu lako pratiti unatrag do desetaka milijuna parametara koji sačinjavaju ove modele, tj. kada model nešto pogriješi, ne možemo pregledati detaljno zašto je to tako.