پیش‌بینی‌های هوش مصنوعی جدید گوگل دقیق‌تر از ابررایانه‌ها
غزال زیاری: الگوریتم جدید یادگیری ماشینی DeepMind در کمتر از یک دقیقه پیش‌بینی‌های آب و هوایی خود را انجام می‌دهد و امکان کار کردن برروی دسکتاپ را نیز داراست ولی در هر حال بعید به نظر می‌رسد که به همین زودی‌ها بتواند جایگزین ماشین‌های پیش‌بینی سنتی شود.
مدل گوگل که GraphCast نام‌گذاری شده، پیش‌بینی ده روز آینده آب و هوا را دقیق‌تر از سیستم پیش‌بینی با وضوح بالایی که توسط مرکز اروپایی پیش‌بینی هوای متوسط (ECMWF) هدایت می‌شود، انجام می‌دهد و به جای چند ساعت، تنها به چند دقیقه زمان نیاز دارد. DeepMind گوگل، سیستم شبیه سازی آب و هوا را با استاندارد طلایی فعلی HRES انجام می‌دهد.
سبقت مدل گوگل از سیستم پیش‌بینی فعلی
طبق یافته‌های منتشر شده در مجله ساینس، GraphCast که می‌تواند برروی یک کامپیوتر کوچک اجرا شود، در بیش از ۹۹% از متغیرهای آب و هوا، در ۹۰% از ۱۳۰۰ منطقه آزمایشی بهتر از ECMWF عمل کرد. حالا محققان اعلام کرده‌اند که این روش هم بی‌عیب و نقص نیست، چرا که عملکرد هوش مصنوعی در توضیح اینکه چطور یک الگو را پیدا کرده یا عملکرد آن را به نمایش می‌گذارد، بدون ایراد نیست و بهتر این است که به جای آنکه آن را جایگزین ابزارهای موجود کنیم، از آن به عنوان مکملی برای دیگر ابزارهای پیش‌بینی بهره برد.
امروزه پیش‌بینی آب و هوا، متکی بر اتصال داده‌ها به مدل‌های فیزیکی پیچیده و استفاده از ابررایانه‌ها برای اجرای شبیه‌سازی است. دقت این پیش‌بینی‌ها به جزئیات دانه‌ای درون مدل‌ها بستگی دارد و اجرای آنها انرژی‌بر و هزینه‌بر است.
اما هزینه اجرای مدل‌های هواشناسی برمبنای یادگیری ماشینی، کمتر است؛ چرا که به قدرت محاسباتی کمتری نیاز است و سریع‌تر کار می‌کند. در مدل جدید هوش مصنوعی، محققان GraphCast را با داده‌های ۳۸ ساله آب و هوای جهانی که تا سال ۲۰۱۷ گردآوری شده بود آموزش دادند. این الگوریتم، الگوهایی را بین متغیرهایی مثل فشار هوا، دما، باد و رطوبت ایجاد کرد که حتی محققان هم نتوانستند آنها را درک کنند.
بعد از این آموزش، مدل، پیش‌بینی‌هایی را از برآوردهای آب و هوای جهان در سال ۲۰۱۸ انجام داد و پیش‌بینی ده روزه آب و هوا، کمتر از یک دقیقه زمان برد. دانشمندان با اجرای GraphCast و مقایسه آن با پیش‌بینی‌های ECMWF که از مدل‌های فیزیکی مرسوم‌تری برای پیش‌بینی آب و هوا استفاده می‌کند، متوجه شدند که GraphCast پیش‌بینی‌های دقیق‌تری را در بیش از ۹۰% از ۱۲هزار نقطه داده مورد استفاده انجام داده است.
GraphCast در عین حال می‌تواند رویدادهای شدید آب و هوایی مثل موج‌های گرما، طوفان‌های گرمسیری، دوره‌های سرما و همچنین زمان‌هایی که لایه‌های جوی بالایی زمین کنار رفته و پائین‌ترین لایه اتمسفر یعنی تروپوسفر باقی می‌ماند؛ جایی که رویدادهای آب و هوایی که بر زندگی انسان‌ها تاثیرگذارند مشاهده می‌شوند، دقت پیش‌بینی‌ها به بیش از ۹۹% رسید.
بیشتر بخوانید:
رمی لام، مهندس و محقق DeepMind در این باره نوشته:« در ماه سپتامبر، یک نسخه از مدل GraphCast که در دسترس عموم است، در وب سایت ECMWF قرار گرفت و با دقت تمام، حدود ۹ روز قبل توانست پیش‌بینی کند که طوفان لی به منطقه نوا اسکوشیا خواهد رسید. از سوی دیگر، پیش‌بینی‌های سنتی، تنوع بیشتری درباره مکان و زمان وقوع این طوفان داشتند و تنها از شش روز قبل از طوفان، آن را پیش‌بینی کردند.»
فعلا خبری از جایگزینی نیست
با وجود عملکرد حیرت‌انگیز این مدل، دانشمندان بعید می‌دانند که GraphCastبه زودی جایگزین ابزارهای مورد استفاده فعلی شود. برای شروع هر پیش‌بینی و به منظور تائید و تنظیم داده‌های ابتدایی، به پیش‌بینی‌های منظمی نیاز است و از آنجا که الگوریتم‌های یادگیری ماشینی نمی‌توانند نتایجی که به دست می‌آورند را توضیح دهند، در نتیجه احتمال خطا و یا توهم بالا می‌رود.
طبق گفته محققان، از سوی دیگر مدل‌های هوش مصنوعی می‌توانند دیگر روش‌های پیش‌بینی آب و هوایی را تکمیل کرده و پیش‌بینی‌های سریع‌تری را انجام دهند و در عین حال به دانشمندان کمک کنند تا تغییرات در الگوهای آب و هوایی را در طول زمان مشاهده کرده و دید واضح‌تری از تصویر بزرگتر داشته باشند.
لام ادامه داد:« پیشگام بودن در استفاده از هوش مصنوعی در پیش‌بینی آب و هوا، برای زندگی روزمره میلیاردها نفر مفید خواهد بود ولی تحقیقات گسترده‌تر ما، تنها به پیش‌بینی آب و هوا منتهی نمی‌شود و درباره درک الگوهای وسیع‌تر آب و هوا نیز هست. ما امیدواریم که با توسعه ابزارهای جدید و تسریع روند تحقیقات، هوش مصنوعی بتواند جامعه جهانی را در راستای مقابله با بزرگترین چالش‌های زیست محیطی توانمند کند.»
منبع: livescience
۵۸۵۸ منبع: خبرآنلاین
