يعد نموذج التنبؤ بالطقس القائم على الذكاء الاصطناعي من Google جيدًا جدًا
يتميز GenCast، وهو نموذج جديد للذكاء الاصطناعي من Google DeepMind، بالدقة الكافية للتنافس مع التنبؤات الجوية التقليدية. وقد تمكنت من التفوق في الأداء على نموذج تنبؤي رائد عند اختبارها على بيانات من عام 2019، وفقًا لبحث منشور مؤخرًا. لن يحل الذكاء الاصطناعي محل التنبؤ التقليدي في أي وقت قريب، لكنه قد يضيف إلى ترسانة الأدوات المستخدمة للتنبؤ بالطقس وتحذير الجمهور من العواصف الشديدة. يعد GenCast واحدًا من العديد من أدوات التنبؤ بالطقس المعتمدة على الذكاء الاصطناعي النماذج التي يجري تطويرها قد يؤدي ذلك إلى تنبؤات أكثر دقة. يعد GenCast واحدًا من عدة نماذج للتنبؤ بالطقس تعمل بالذكاء الاصطناعي والتي قد تؤدي إلى تنبؤات أكثر دقة. “يمس الطقس بشكل أساسي كل جانب من جوانب حياتنا … إنه أيضًا أحد التحديات العلمية الكبيرة، التنبؤ بالطقس.” يقول إيلان برايس، أحد كبار الباحثين في شركة DeepMind. “تتمثل مهمة Google DeepMind في تطوير الذكاء الاصطناعي لصالح البشرية. وأعتقد أن هذه طريقة مهمة، ومساهمة مهمة على هذه الجبهة. (ECMWF). تفوقت GenCast على ENS بنسبة 97.2 بالمائة من الوقت، وفقًا للأبحاث نشرت هذا الأسبوع في مجلة الطبيعة. GenCast هو نموذج للتنبؤ بالطقس للتعلم الآلي تم تدريبه على بيانات الطقس من عام 1979 إلى عام 2018. ويتعلم النموذج التعرف على الأنماط في العقود الأربعة من البيانات التاريخية ويستخدم ذلك للتنبؤ بما قد يحدث في المستقبل. وهذا يختلف تمامًا عن كيفية عمل النماذج التقليدية مثل ENS، والتي لا تزال تعتمد على أجهزة الكمبيوتر العملاقة لحل المعادلات المعقدة من أجل محاكاة فيزياء الغلاف الجوي. ينتج كل من GenCast وENS توقعات المجموعة، والتي تقدم مجموعة من السيناريوهات المحتملة. عندما يتعلق الأمر بالتنبؤ بمسار الإعصار المداري، على سبيل المثال، كان GenCast قادرًا على إعطاء 12 ساعة إضافية من التحذير المسبق في المتوسط. كان GenCast أفضل بشكل عام في التنبؤ بمسارات الأعاصير والطقس القاسي وإنتاج طاقة الرياح لمدة تصل إلى 15 يومًا مقدمًا. تُظهر توقعات المجموعة من GenCast مجموعة من مسارات العواصف المحتملة لإعصار هاجيبيس، والتي تصبح أكثر دقة مع اقتراب الإعصار من المنطقة. ساحل اليابان. الصورة: تحذير GoogleOne هو أن GenCast اختبر نفسه مقابل إصدار أقدم من ENS، والذي يعمل الآن بدقة أعلى. يقارن البحث الذي تمت مراجعته بين توقعات GenCast وتوقعات ENS لعام 2019، ويرى مدى اقتراب كل نموذج من ظروف العالم الحقيقي في ذلك العام. لقد تحسن نظام ENS بشكل ملحوظ منذ عام 2019، وفقًا لمنسق التعلم الآلي في ECMWF مات شانتري. وهذا يجعل من الصعب تحديد مدى جودة أداء GenCast ضد ENS اليوم. من المؤكد أن الدقة ليست العامل المهم الوحيد عندما يتعلق الأمر بوضع تنبؤات قوية. كان ENS يعمل بالفعل بدقة أعلى قليلاً من GenCast في عام 2019، ولا يزال GenCast قادرًا على التغلب عليه. وتقول شركة DeepMind إنها أجرت دراسات مماثلة على البيانات من عام 2020 إلى عام 2022 ووجدت نتائج مماثلة، على الرغم من أنها لم تخضع لمراجعة النظراء. لكنها لم تكن لديها البيانات اللازمة لإجراء مقارنات لعام 2023، عندما بدأ ENS في العمل بدقة أعلى بكثير. وبتقسيم العالم إلى شبكة، يعمل GenCast بدقة 0.25 درجة – مما يعني أن كل مربع على تلك الشبكة يمثل ربع درجة عرض بحلول عام 2023. خط الطول ربع درجة. وبالمقارنة، استخدم ENS دقة 0.2 درجة في عام 2019 وبدقة 0.1 درجة الآن. ومع ذلك، فإن تطوير GenCast “يمثل علامة فارقة مهمة في تطور التنبؤ بالطقس”، كما قال شانتري في بيان أرسل عبر البريد الإلكتروني. إلى جانب ENS، يقول ECMWF إنه يقوم أيضًا بتشغيل نسخته الخاصة من نظام التعلم الآلي. يقول شانتري إن الأمر “يستلهم بعض الإلهام من GenCast.” تعتبر السرعة ميزة لـ GenCast. يمكنه إنتاج تنبؤ واحد لمدة 15 يومًا في ثماني دقائق فقط باستخدام Google Cloud TPU v5. قد تحتاج النماذج المستندة إلى الفيزياء مثل ENS إلى عدة ساعات للقيام بنفس الشيء. يتجاوز GenCast جميع المعادلات التي يتعين على ENS حلها، ولهذا السبب يستغرق الأمر وقتًا أقل وقدرة حسابية أقل لإنتاج توقعات. يقول برايس: “من الناحية الحسابية، يعد تشغيل التنبؤات التقليدية أكثر تكلفة مقارنة بنموذج مثل جينكاست”. وقد تخفف هذه الكفاءة من بعض المخاوف بشأن التأثير البيئي للتغير المناخي. مراكز بيانات الذكاء الاصطناعي المتعطشة للطاقة، والتي سبق أن ساهمت في ارتفاع انبعاثات الغازات الدفيئة لشركة Google في السنوات الأخيرة. ولكن من الصعب معرفة كيفية مقارنة GenCast بالنماذج القائمة على الفيزياء عندما يتعلق الأمر بالاستدامة دون معرفة مقدار الطاقة المستخدمة لتدريب نموذج التعلم الآلي. لا تزال هناك تحسينات يمكن أن يقوم بها GenCast، بما في ذلك إمكانية الارتقاء إلى دقة أعلى. علاوة على ذلك، تقدم GenCast تنبؤات على فترات زمنية مدتها 12 ساعة مقارنة بالنماذج التقليدية التي تقوم بذلك عادةً على فترات زمنية أقصر. وهذا يمكن أن يحدث فرقا في كيفية استخدام هذه التوقعات في العالم الحقيقي (لتقييم مقدار طاقة الرياح التي ستكون متاحة، على سبيل المثال). “نحن نلتف حول رؤوسنا نوعًا ما، هل هذا جيد؟ ولماذا؟” يقول ستيفن مولينز، الأستاذ المساعد في علم الأرصاد الجوية بجامعة فلوريدا والذي لم يشارك في الدراسة: “قد ترغب في معرفة ما ستفعله الرياح طوال اليوم، وليس فقط عند الساعة السادسة صباحًا والسادسة مساءً”. بحث جينكاست. وفي حين أن هناك اهتمامًا متزايدًا بكيفية استخدام الذكاء الاصطناعي لتحسين التوقعات، إلا أنه لا يزال يتعين عليه إثبات نفسه. “الناس ينظرون إليه. يقول مولينز: “لا أعتقد أن مجتمع الأرصاد الجوية ككل يتم شراؤه وبيعه”. “نحن علماء مدربون نفكر من حيث الفيزياء… ولأن الذكاء الاصطناعي ليس كذلك في الأساس، فلا يزال هناك عنصر حيث نلتف حوله، هل هذا جيد؟ ولماذا؟” يمكن للمتنبئين التحقق من GenCast بأنفسهم؛ أصدرت شركة ديب مايند شفرة لنموذجها مفتوح المصدر. يقول برايس إنه يرى استخدام GenCast والمزيد من نماذج الذكاء الاصطناعي المحسنة في العالم الحقيقي إلى جانب النماذج التقليدية. يقول برايس: “بمجرد وصول هذه النماذج إلى أيدي الممارسين، فإنها تبني الثقة بشكل أكبر”. “نريد حقًا أن يكون لهذا تأثير اجتماعي واسع النطاق.”
المصدر
