Revolutionizing Weather Forecasting: Artificial Intelligence vs Traditional Methods

Jedne maglovite večeri pre nekoliko godina, na Evropskom centru za prognoziranje vremena srednjeg dometa, posmatrao sam kako jedan od najnaprednijih računarskih modela vremenske prognoze na svetu prolazi kroz dvodnevnu šetnju u budućnost atmosfere. Dok mi pred ekranom ispred sebe proletahu prozaične poruke o statusu, superkompjuter u susednoj prostoriji sabirao je bilione promenljivih svake sekunde. U naredna dva sata, koristeći zakone fizike, pretvorio je najnovija zapažanja o vremenskim uslovima u sliku visoke rezolucije narednih 14 dana neba. Ovo će postati sirovi materijal vremenskih prognozera širom sveta – koristan prilikom biranja jakne, upravljanja avionom ili pronalaženja skloništa od oluje. Moderna prognoza vremena je zadivljujuće postignuće tehnologije i naučne saradnje, pažljivo sastavljeno tokom proteklih pola veka.

Zato je bilo izvesno iznenađenje kada su ovog meseca naučnici iz kompanije Google DeepMind objavili rad u časopisu Science koji sugerira da bi preeminencija ovog sistem mogla uskoro biti raskrinkana. Veštačka inteligencija možda nas je dovela do ivice novog paradigme u prognoziranju vremena. Umesto zakona fizike, Google-ov sistem GraphCast se zasniva na analizi 39 godina prethodnog vremena. Umesto da se pokreće na superkompjuteru veličine košarkaškog terena, pokreće se na jednom jedinom laptopu. Umesto da traje dva sata, traje manje od jednog minuta. I umesto „numeričke vremenske prognoze“ – tehnike koja stoji iza moderne discipline – to je „prognoza vremena zasnovana na mašinskom učenju“, fundamentalno nov pristup sa izuzetno naprednim rezultatima.

Ne očekujte da se vaša prognoza vremena odmah poboljša. Ne očekujte da Google zameni meteorološki zavod. Pa, još uvek ne. Ali, ponovo, veštačka inteligencija se podudara sa efikasnošću postojeće tehnologije sa toliko zadivljujuće efikasnosti i agilnosti da stručnjaci sa nestrpljenjem iščekuju mogućnosti. Za vreme, to verovatno znači veću tačnost i preciznost, unapred u vremenu. Ovo bi čak moglo dovesti do sezonskih prognoza merenih u mesecima, povećavajući vremenski okvir do modela klime. Na neki način, metode GraphCast-a vraćaju nas u prošlost. U 1922, engleski matematičar Luis Fraj Ričardson je vizionarski opisao prognozu vremena. Ričardson je sanjao o izračunavanju jednačina velomorskog meteorologa Vikhjelma Bjerkenesa dovoljno brzo da bude korisno – odnosno brže od dolaska budućeg vremena. Za to bi bilo potrebno angažovati računarski tim od 64.000 ljudi u stadionu, ali bi oslobodilo meteorologe od nerazumevanja spajanja prošlih i sadašnjih vremenskih karata kako bi nagađali o budućnosti. Ričardson nije imao Google, ali GraphCast je obučen na istorijskom skupu podataka koji je proizveo ECMWF, u suštini neprekidne simulacije atmosfere od 1979. do 2017. godine. Model zahteva dve najnovije informacije o vremenskim uslovima – trenutno vreme i šest sati ranije – kako bi predvideo stanje vremena šest sati kasnije. Iako je to zadivljujuće efikasno, obrada podataka i dalje zavisi od tehničke infrastrukture ECMWF-a.

GraphCast je i dalje u potpunosti zavisan od izlaza ovog sistema. Ali činjenica da je stvorenje privatne kompanije predstavlja odlazak od tradicije. Drugi su pokušavali, ali sa manje sjajnih rezultata. Revolucionarno otkriće Google-ovog pretraživačkog algoritma, između ostalih tehnologija, već je promenilo mnoge druge industrije. Ali vremenska prognoza je drugačija zver. Promena trenutnog režima bila bi manje o rasturanju jedne industrije u korist druge, a više o zameni opšteg dobra privatnim dobrom. Nema sumnje u vrednost boljih prognoza. Ono što je drugačije jeste da ta vrednost, navedenim ciljem, neće biti podeljena među svima nama koji živimo u zagrljaju Zemljinog atmosfere i koji sve više živimo pod pretnjom njenih sve glasnijih ekstrema.

Često postavljena pitanja

1. Kako funkcioniše GraphCast sistem?

GraphCast sistem je zasnovan na analizi 39 godina prethodnih vremenskih podataka. Koristeći metode mašinskog učenja, on predviđa stanje vremena na osnovu ovih analiza. Sistema se oslanja na dve najnovije informacije o vremenskim uslovima kako bi predvideo stanje vremena u budućnosti.

2. Kako se GraphCast razlikuje od tradicionalne vremenske prognoze?

GraphCast sistem se razlikuje od tradicionalne vremenske prognoze jer se ne oslanja na zakone fizike, već na analizu istorijskih vremenskih podataka. Takođe, umesto da se pokreće na superkompjuteru, GraphCast radi na jednom laptopu.

3. Da li će prognoze vremena biti odmah preciznije?

Nemojte očekivati trenutno poboljšanje prognoza vremena. GraphCast sistem se tek razvija i još uvek zavisi od podataka koje obezbeđuje tradicionalni sistem. Međutim, postoje mogućnosti za veću tačnost i preciznost prognoza u budućnosti.

4. Da li će GraphCast sistem zamijeniti tradicionalne meteorološke institucije?

Trenutno, GraphCast sistem je još uvek u potpunosti zavisan od tradicionalnih meteoroloških institucija. Međutim, njegovo pojavljivanje kao proizvod privatne kompanije predstavlja promenu u dosadašnjem modelu prognoziranja vremena.