Ako umelá inteligencia mení predpovede počasia

Podobný trend sa prejavil aj počas súčasnej vlny horúčav v Spojenom kráľovstve a Írsku, kde tradičný nástroj používaný Európskym centrom pre strednodobé predpovede počasia (ECMWF) prekonal jeho AI ekvivalent, systém AIFS.

Rýchly pokrok v oblasti modelovania umelej inteligencie

Tempo, akým sa modely umelej inteligencie zdokonaľujú, je jedným z dôvodov, prečo je táto technológia pre meteorológov taká zaujímavá. Práca na systéme AIFS sa napríklad začala v roku 2022 a za menej ako štyri roky tento systém začal v rôznych ukazovateľoch prekonávať ostatné prístupy k predpovedaniu o 10 až 15 percent.

Podľa írskeho dátového vedca profesora Andrewa Parnella to zodpovedá dekáde výskumu, pričom systém AIFS bol uvedený do plnej prevádzky už pred rokom.

Vedcov ohromila aj výpočtová efektívnosť týchto nových systémov. Rýchlosť, s akou vytvárajú predpovede, je „pozoruhodná“, povedal Parnell írskym zákonodarcom začiatkom tohto roka. Opísal ich ako „tisíckrát efektívnejšie“ než fyzikálne modely.

Táto efektívnosť znamená, že spotrebúvajú menej energie, čo ich spravidla robí aj nákladovo výhodnejšími oproti obrovským superpočítačom potrebným na tradičné fyzikálne modelovanie.

Kritici však doplňujú, že takéto porovnania nezohľadňujú čas, energiu a náklady potrebné na trénovanie systémov strojového učenia.

Nech už je to akokoľvek, podstatné je, že modely umelej inteligencie sa čoraz viac vyrovnávajú svojim tradičným náprotivkom a v niektorých prípadoch ich dokonca prekonávajú, pričom počas prevádzky spotrebúvajú menej energie a sú nákladovo efektívnejšie.

Nie div, že vedci začínajú byť nadšení. Britská meteorologická služba Met Office označila umelú inteligenciu za „ďalší míľnik“ v oblasti prognóz počasia, zatiaľ čo profesor Parnell uviedol, že „úplne prevrátila“ modely predpovedania, ktoré sa používali desaťročia.

Ako fungovalo predpovedanie počasia doteraz

To, ako presne bude umelá inteligencia integrovaná do systémov predpovedania počasia, zostáva predmetom diskusie.

Proces tvorenia prognóz je zo svojej podstaty náročný, pretože zahŕňa veľké množstvo premenných. Uvažujme napríklad o lete 2026, keď bolo otepľovanie časti Tichého oceánu – jav známy ako El Niño – spojené so zvýšenými teplotami v Európe.

Aby meteorológovia dokázali pracovať so všetkými týmito premennými, už celé desaťročia sa spoliehajú na fyzikálne modely. Tie bežia na výkonných superpočítačoch, ktoré na základe fyzikálnych zákonov simulujú fungovanie Zeme a vykonávajú obrovské množstvo výpočtov, aby predpovedali, ako sa budú vyvíjať atmosférické podmienky z aktuálne pozorovaného stavu.

Vďaka neustálemu zdokonaľovaniu tejto metódy numerickej predpovede počasia sa presnosť predpovedí zlepšuje približne o jeden deň za každé desaťročie. Tieto modely sa dlhodobo osvedčili ako spoľahlivé a veľmi úspešné.

Silné stránky a obmedzenia modelov umelej inteligencie

Hoci sa niektoré formy umelej inteligencie do týchto modelov začleňujú už roky, nedávny pokrok v oblastiach, ako je hlboké učenie, pripravil pôdu na vytvorenie samostatných modelov AI.

Tieto modely sú trénované tak, že sa do nich vkladajú veľmi veľké množstvá historických údajov, získaných jednak z pozorovaní v reálnom svete, jednak zo simulácií založených na fyzikálnych princípoch. Modely na základe týchto údajov identifikujú vnútorné vzory, ktoré nie sú explicitne reprezentované, a využívajú ich na generovanie predpovedí na základe aktuálnych atmosférických podmienok.

Vďaka tomu dokážu modely veľmi presne zachytiť celkový vývoj počasia a v niektorých prípadoch sa zlepšila aj ich schopnosť predvídať nezvyčajné či extrémne udalosti, ako bola zimná búrka v Texase v roku 2021.

https://www.youtube.com/watch?v=tk6Xig9SkRU

Nevýhodou tohto typu modelovania je však to, že má problémy so zachytením lokálnych detailov. Javy ako studený front či stred búrky preto môžu byť v predpovedi rozmazané a menej presné.

Keďže sa model umelej inteligencie snaží nájsť čo najspoľahlivejší celkový vzorec, má tendenciu vyhladzovať jemné detaily. Tým zakrýva nahromadené chyby a znižuje praktickú presnosť predpovede v konkrétnych situáciách.

Modely strojového učenia navyše zvyknú mať problémy aj s extrémnymi prejavmi počasia. Takéto udalosti sú totiž zo svojej podstaty zriedkavé, a preto sú v tréningových dátach zastúpené len obmedzene.

Zváženie rizika a prínosu

Práve tieto nedostatky sú dôvodom, prečo niektorí meteorológovia pristupujú opatrne k tomu, aby modely umelej inteligencie fungovali samostatne, a to dovtedy, kým sa chyby lepšie nepochopia a nezohľadnia pri vytváraní predpovedí alebo kým sa úplne neodstránia.

V tejto počiatočnej fáze rozvoja modelov umelej inteligencie sa najčastejšie uvažuje o dvoch spôsoboch ich využitia. Prvým je začleniť AI do existujúcich fyzikálnych modelov, druhým je prevádzkovať oba typy modelov súčasne, aby sa ich odlišné prístupy navzájom dopĺňali a prinášali presnejšie predpovede.

Nech už sa meteorologické agentúry nakoniec rozhodnú pre ktorúkoľvek cestu, panuje široká zhoda v tom, že umelá inteligencia ponúka významné príležitosti na zlepšenie presnosti predpovedí počasia a v širšom zmysle aj na zmiernenie stresu u tých, ktorí sú v každodennom živote od týchto predpovedí závislí.

Pôvodný text bol publikovaný na webe sesterského denníka Statement.com.