Компанії Google DeepMind та Google Research представили нову модель штучного інтелекту для прогнозування погоди WeatherNext 3. Вона дозволяє точніше спостерігати за змінами в атмосфері та частіше передбачати її поведінку.
WeatherNext 3 є частиною значних змін у метеорології, спричинених методами глибокого навчання. Google планує інтегрувати її в інформаційні дані про погоду, що відображаються в Пошуку Google, Google Картах та Gemini. Крім того, модель буде доступна користувачам та дослідникам на хмарних платформах Google.
«Це буде вперше, коли деякі з основних змінних живитимуть та підсилюватимуть багато продуктів Google», — зазначив для TechCrunch старший інженер Google Саміер Мерчант.
Нова модель вже довела свою найвищу точність серед провідних конкурентів, протестованих на Operational WeatherBench — платформі для порівняння прогнозів ШІ, створеній стартапом Brightband. Вона оцінює такі показники, як температура, швидкість вітру та вологість.
Крім моделей глибокого навчання від Google, Microsoft, Nvidia та Європейського центру середньострокових погодних прогнозів (ECMWF), WeatherNext 3 перевершує й традиційні прогнози Національної метеорологічної служби США та ECMWF.
Більшість погодних прогнозів створюються на потужних суперкомп’ютерах, що належать урядам, які ретельно обробляють математичні рівняння, що описують фізику погоди. Хоча ці системи стали надзвичайно точними, вони дорогі та відносно повільні. Після того, як ECMWF у 2018 році оприлюднив понад півстоліття погодних даних, створених цими системами, дослідники глибокого навчання почали тренувати моделі, які могли б робити прогнози значно швидше та з порівнянною точністю до урядових інструментів.
«Погода хаотична, тому невеликі відмінності можуть призвести до масивних збурень… Машинне навчання націлене на проблему, яку ми насправді вирішуємо, — це наближені шумні фізичні процеси з неповною інформацією та обмеженими обчислювальними ресурсами, тому воно вивчає закономірності з великої кількості даних», — сказав Ферран Алет, керівник групи наукових досліджень у DeepMind.
З того часу розробники моделей працювали над ключовими недоліками моделей прогнозування ШІ: вони, як правило, прогнозують погоду для ширшої території — від 15 до 25 квадратних кілометрів — ніж це дійсно корисно, не завжди добре справляються з прогнозом дощу, і все ще залежать від відформатованих наборів даних, що створюються державними установами.
WeatherNext 3 вирішує всі три проблеми. За ключовими змінними, як повідомили дослідники TechCrunch, модель може прогнозувати з роздільною здатністю до 5 км. Її показники щодо дощу покращилися на 60% порівняно з WeatherNext 2, і тепер вона може створювати погодинні прогнози замість стандартного прогнозу кожні шість годин.
Ці вдосконалення є результатом конкретних рішень, прийнятих розробниками. WeatherNext 3 — це більша модель, яка має у 2,4 раза більше параметрів, ніж її попередниця. Це дозволяє краще налаштувати цільові показники для декодувальних модулів, щоб отримувати більш корисні відповіді. Тоді як більшість погодних прогнозів виводяться як усереднені показники по 3D-сітці, дослідники DeepMind вже здобули визнання, налаштувавши свою модель для візуалізації траєкторій циклонів.
Цього разу розробники також навчили модель націлювати свої прогнози на конкретні метеостанції. Це важливо не лише для надання більш детальних прогнозів, але й для можливості оцінки роботи моделі на основі конкретних, достовірних даних.
«Ідея багатьох застосувань ШІ полягає в тому, щоб намагатися виконувати завдання якомога більш комплексно, — сказав Деніел Ротенберг, вчений-атмосферник з Brightband. — Додавання можливості, коли ця модель тепер прогнозує, скажімо, що вимірятиме метеостанція в аеропорту Денвера щогодини, просто наближає це завдання прогнозування до ядра».
Модель може частіше створювати прогнози, оскільки вона може обробляти супутникові дані про погоду, зібрані в реальному часі щогодини. Надання моделям ШІ сирих емпіричних спостережень, а не аналізу, створеного погодними суперкомп’ютерами, обіцяє більш точний прогноз, але все ще є технічно складним завданням, щоб моделі могли працювати з невідформатованими даними.
Google стверджує, що WeatherNext 3 є «першою» моделлю ШІ, яка безпосередньо використовує сирі спостереження для глобального прогнозу з високою роздільною здатністю. Однак стартап з прогнозування погоди на основі ШІ WindBorne заявляє, що їхня модель WeatherMesh 6 використовує сирі спостереження з парку їхніх метеозондів та інших джерел з кінця 2025 року. Відповідаючи на це, Google зазначив, що їхні прогнози мають вищу роздільну здатність у всьому світі. Тим не менш, обидві моделі все ще покладаються на національні погодні дані для виконання прогнозів, тому для справжньої прямої асиміляції даних буде потрібно більше роботи.
Хоча великі мовні моделі (LLM) привертають найбільшу увагу, революція трансформерів у метеорології була не менш важливою. Європейські та американські метеорологічні служби вже використовують моделі ШІ у своїх прогнозних продуктах, а їхня швидкість і низька вартість обіцяють економічний вплив на бідніші регіони, де висока вартість якісних сенсорів і суперкомп’ютерів робить точні прогнози недоступними.
Білл Гейтс нещодавно назвав прогнозування погоди на основі ШІ ключовою перевагою цієї технології, зазначивши, що кращі прогнози покращують врожайність у країнах, що розвиваються. Алет, дослідник DeepMind, зазначив, що прогнози вітру, дощу та хмарності з вищою роздільною здатністю будуть корисними для підвищення надійності проєктів відновлюваної енергетики.
«Зрештою, я думаю, що Google прагне надавати корисну інформацію користувачеві, а значна частина того, що шукають користувачі, так чи інакше пов’язана з погодою», — сказав Алет.
За матеріалами: techcrunch.com