Дослідники Google DeepMind розробили інноваційну модель машинного навчання GenCast, здатну забезпечувати точні 15-денні прогнози погоди з мінімальними витратами на обчислення. Ця модель використовує історичні дані для створення ймовірнісних прогнозів, замінюючи традиційні чисельні моделі (NWP), які базуються на вирішенні фізичних рівнянь.
Про це інформує The Register.
Як зазначає один із дослідників DeepMind, GenCast вивчає складні зв’язки й динаміку атмосфери безпосередньо з даних, що дає змогу перевершити традиційні методи. У порівнянні з попередньою моделлю GraphCast, яка забезпечувала лише один найкращий прогноз, GenCast формує до 50 різних прогнозів, відображаючи широкий спектр можливих погодних сценаріїв.
Вплив і точність моделі
За словами авторів, GenCast значно перевершує одну з провідних моделей – ENS, створену Європейським центром середньострокових прогнозів погоди (ECMWF). За результатами оцінки, модель від DeepMind виявилася точнішою у 97,2% випадків, включаючи прогнозування шляхів тропічних циклонів.
Переваги моделі полягають у її швидкості та економічності. Якщо традиційні моделі потребують десятків тисяч процесорів і значних фінансових витрат, GenCast може створювати прогноз за 8 хвилин, використовуючи лише один процесор Google Cloud TPU v5.
Відкритість та подальші перспективи
Google DeepMind зробила відкритим код моделі та вагові коефіцієнти GenCast, щоб стимулювати розвиток досліджень у сфері прогнозування клімату. Крім того, команда планує публікувати реальні та історичні прогнози, що може стати новим етапом у розвитку штучного інтелекту для метеорології.
Таким чином, GenCast демонструє не лише технічний прорив, а й потенціал до значного впливу на різні сфери життя завдяки точності та доступності своїх прогнозів.
Соціально-економічний вплив
Точніші прогнози погоди можуть стати важливим інструментом у боротьбі з екстремальними погодними явищами. Які за останнє десятиліття завдали збитків світовій економіці на понад $2 трлн. Завдяки GenCast компанії та громадяни зможуть краще підготуватися до несприятливих погодних умов, що сприятиме зниженню ризиків та оптимізації використання відновлюваних джерел енергії.
