Η βρετανική εταιρεία τεχνητής νοημοσύνης DeepMind, θυγατρική της Google, το βρετανικό Πανεπιστήμιο του Έξετερ και η βρετανική μετεωρολογική υπηρεσία Met Office ανέπτυξαν ένα «έξυπνο» σύστημα πρόγνωσης (precipitation nowcasting system) που μπορεί να προβλέψει με αρκετά μεγάλη ακρίβεια εάν θα βρέξει σε μια περιοχή μέσα στις δύο επόμενες ώρες. Μια νέα γενιά αλγορίθμων τεχνητής νοημοσύνης (ΑΙ), ορισμένοι από τους οποίους τρέχουν ακόμα και σε έναν απλό φορητό υπολογιστή, υπόσχονται καλύτερες καιρικές προβλέψεις σε σχέση με τα σημερινά μοντέλα των μετεωρολόγων που απαιτούν υπερυπολογιστές. Η τελευταία εξέλιξη από την Deep Mind, παρουσιάζεται στο περιοδικό Science όπου υπάρχουν αναφορές ένα μοντέλο τεχνητής νοημοσύνης που ήδη προσφέρει κορυφαίες επιδόσεις.
Το μοντέλο GraphCast παράγει πιο ακριβείς δεκαήμερες προγνώσεις από ό,τι το συμβατικό μοντέλο του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμων Καιρικών Προβλέψεων (ECMWF), το οποίο θεωρείται το κορυφαίο μετεωρολογικό μοντέλο του κόσμου. Και το νέο μοντέλο δίνει προβλέψεις μέσα σε λίγα λεπτά, χωρίς να χρειάζεται κάτι παραπάνω από ένα απλό PC, σε αντίθεση με τους υπερυπολογιστές του ECMWF που χρειάζονται ώρες για κάθε πρόβλεψη.
Εκπαίδευση
Τα μαθηματικά μοντέλα που χρησιμοποιούν σήμερα οι μετεωρολόγοι χωρίζουν τη Γη σε μεγάλα τετράγωνα και χρησιμοποιούν τους νόμους της φυσικής των ρευστών για να προσομοιώσουν τη συμπεριφορά της ατμόσφαιρας στο μέλλον, χρησιμοποιώντας ως αφετηρία τις διαθέσιμες μετρήσεις των τρεχουσών συνθηκών. ,Η προσέγγιση αυτή έχει υψηλές υπολογιστικές απαιτήσεις, και λίγες μετεωρολογικές υπηρεσίες έχουν την πολυτέλεια να επικαιροποιούν τα δελτία τους πάνω από τέσσερις φορές την ημέρα.
Τα μοντέλα ΑΙ, αντίθετα, δεν λύνουν εξισώσεις της φυσικής. Διδάσκονται από παραδείγματα –μετεωρολογικών παρατηρήσεων προηγούμενων ετών – ώστε να μάθουν να αναγνωρίζουν μοτίβα στη συμπεριφορά της ατμόσφαιρας και να προβλέπουν πώς αλληλεπιδρούν παράμετροι όπως η πίεση, η θερμοκρασία και η ταχύτητα του αέρα. Μαθαίνουν αυτό που εμείς οι μετεωρολόγοι ονομάζουμε “Συνοπτική Μετεωρολογία”
Για την εκπαίδευση του GraphCast, οι ερευνητές της DeepMind χρησιμοποίησαν δεδομένα του ECMWF που καλύπτουν διάστημα 40 ετών. Χρειάστηκαν δεκάδες υπολογιστές και τέσσερις εβδομάδες για να ολοκληρωθεί η διαδικασία, όμως ο τελικός, εκπαιδευμένος αλγόριθμος χρειάζεται λιγότερο από ένα λεπτό για να δώσει πρόβλεψεις δέκα ημερών, οι οποίες ξεπερνούν τις συμβατικές προβλέψεις του ECMWF στο 90% των παραμέτρων σύγκρισης.
Η ταχεία ανάπτυξη της βαθιάς μάθησης έχει εισαγάγει μια πολλά υποσχόμενη κατεύθυνση, την οποία η επιστημονική κοινότητα αναφέρει ως μεθόδους που βασίζονται στην τεχνητή νοημοσύνη (AI). Εδώ, η μεθοδολογία είναι να εκπαιδεύσει ένα βαθύ νευρωνικό δίκτυο για να συλλάβει τη σχέση μεταξύ της εισόδου (επανανάλυση δεδομένων καιρού σε μια δεδομένη χρονική στιγμή) και της εξόδου (επανάλυση δεδομένων καιρού στο χρονικό σημείο που θέτουμε ως στόχο). Σε εξειδικευμένες υπολογιστικές συσκευές όπως οι μονάδες επεξεργασίας γραφικών (GPU), οι μέθοδοι που βασίζονται σε AI είναι εξαιρετικά γρήγορες. Για να δώσουμε ένα πρόσφατο παράδειγμα, το FourCastNet2 χρειάζεται μόνο 7 s για να υπολογίσει μια πρόβλεψη 100 μελών, 24 ωρών, η οποία είναι τάξεις μεγέθους ταχύτερη από τις συμβατικές μεθόδους NWP. Ωστόσο, η ακρίβεια του FourCastNet εξακολουθεί να είναι κάτω από την ικανοποιητική. Το μέσο τετραγωνικό σφάλμα (RMSE) μιας πρόβλεψης 5 ημερών Z500 (σε γεωδυναμικό ύψος 500 hPa ) είναι 484,5, το οποίο είναι πολύ χειρότερο από το 333,7 που αναφέρεται από το λειτουργικό ολοκληρωμένο σύστημα πρόβλεψης (IFS) του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμων Προγνώσεων Καιρού (ECMWF).
Σε μια πρόσφατη έρευνα, οι ερευνητές συμφώνησαν ότι η τεχνητή νοημοσύνη έχει μεγάλες δυνατότητες, αλλά παραδέχτηκαν ότι «απαιτούνται μια σειρά από θεμελιώδεις ανακαλύψεις» προτού οι μέθοδοι που βασίζονται στην τεχνητή νοημοσύνη μπορέσουν να νικήσουν το NWP.
Ο αλγόριθμος της DeepMind δεν είναι ο μόνος που πετυχαίνει θεαματικές επιδόσεις. Νωρίτερα φέτος, η κινεζική εταιρεία Huawei, περισσότερο γνωστή για τα κινητά της, παρουσίασε το δικό της αντίστοιχο μοντέλο στο περιοδικό Nature, ενώ η Google έχει λανσάρει το πειραματικό εργαλείο 24ωρων προβλέψεων MetNet-3, το οποίο ξεπερνά σε ακρίβεια τα δελτία των περισσότερων μετεωρολογικών υπηρεσιών.
Το ίδιο το ECMWF προσφέρει από τον Σεπτέμβριο του 2023 με τα πειραματικά δελτία ΑΙ.
Πειράματα στην πέμπτη γενιά των δεδομένων επανανάλυσης του ECMWF (ERA5)18 επιβεβαίωσαν ότι το Pangu-Weather είναι καλό σε ντετερμινιστικές προβλέψεις και ακραίες καιρικές προβλέψεις, ενώ είναι πάνω από 10.000 φορές ταχύτερο από το επιχειρησιακό IFS.
Please accept YouTube cookies to play this video. By accepting you will be accessing content from YouTube, a service provided by an external third party.
If you accept this notice, your choice will be saved and the page will refresh.
Η πρόοδος είναι εντυπωσιακή, αν και ορισμένοι συνάδελφοι μετεωρολόγοι και φυσικοί παραμένουν δύσπιστοι, εν μέρει επειδή η νέα τεχνολογία λειτουργεί ως «μαύρο κουτί», το οποίο δίνει μεν αποτελέσματα αλλά δεν εξηγεί πώς κατέληξε σε αυτά. Το πιθανότερο είναι ότι η ΑΙ θα χρησιμοποιείται παράλληλα και συμπληρωματικά με τα μαθηματικά μοντέλα της ατμόσφαιρας. Το σίγουρο πάντως είναι ότι ήρθε για να μείνει στη μετεωρολογία.
Μεταξύ των ερευνητών που έχουν παρουσιάσει αξιόλογες σχετικέςεργασίες είναι και η Ελληνίδα Μαρία Αθανασιάδου, απόφοιτος του Τμήματος Μαθηματικών του Πανεπιστημίου Πατρών (1984), με διδακτορικό στη μετεωρολογία από το βρετανικό Πανεπιστήμιο του Ρέντινγκ (1994), η οποία σήμερα είναι διευθύντρια καινοτομίας στο Εργαστήριο Πληροφορικής της Μετεωρολογικής Υπηρεσίας της Βρετανίας.
Η ανοιχτή επιστήμη είναι το κλειδί για την καινοτομία, τη συνεργασία και την ανακάλυψη. Με την κοινή χρήση δεδομένων, μεθόδων και αποτελεσμάτων και καθιστώντας τα εύκολα προσβάσιμα και συγκρίσιμα, μπορούμε να επιταχύνουμε την πρόοδο της επιστήμης που μπορεί τελικά να ωφελήσει την κοινωνία.
ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΣΤΗ ΓΕΩΡΓΙΑ
Η χρήση μεθόδων βαθιάς μάθησης στη γεωργία έχει αρχίσει να λαμβάνει χώρα μόλις την τελευταία πενταετία, αρχικά σε τομείς της γεωπονίας που είχαν ανέκαθεν μεγάλη σχέση με τις νέες τεχνολογίες, όπως αυτός της Γεωργικής Μηχανικής, με τη δημιουργία προηγμένων ρομποτικών συστημάτων, ευφυών συστημάτων ελέγχου περιβάλλοντος κ.ά. Η ενσωμάτωση τέτοιων μεθόδων σε λιγότερο τεχνολογικούς τομείς της γεωπονίας, όπως π.χ. αυτός της φυτοπαθολογίας, παρουσιάζει, όπως είναι λογικό, κάποια καθυστέρηση, όμως τα τελευταία χρόνια αυτό τείνει να αλλάξει, τόσο μέσω της αυξανόμενης ενασχόλησης γεωπόνων με θέματα πληροφορικής όσο και με τη δημιουργία συνεργειών μεταξύ γεωπόνων και επιστημόνων της πληροφορικής και ειδικότερα της τεχνητής νοημοσύνης Η ύπαρξη ενός αυτοματοποιημένου, υπολογιστικού συστήματος διάγνωσης ασθενειών, θα μπορούσε να αποτελέσει έναν πολύτιμο αρωγό για τον γεωπόνο που καλείται να πραγματοποιήσει αντίστοιχες διαγνώσεις ασθενειών φυτών μέσω οπτικής παρατήρησης των φύλλων . ΠΕΡΙΣΣΟΤΕΡΑ ΕΔΩ
Πηγές : https://www.science.org/doi/10.1126/science.adi2336 ,
https://www.nature.com/articles/s41586-023-06185-3
https://blog.research.google/2023/11/metnet-3-state-of-art-neural-weather.html
https://www.nature.com/articles/s41586-021-03854-z
https://www.elgo.gr/images/ioanna/periodiko/Teyxos_28/4-6_TEXNITH_NOHMOSINH.PDF