Ένα μοντέλο υπολογιστή που συνδυάζει τη συμβατική τεχνολογία πρόγνωσης καιρού με τη μηχανική μάθηση αναπτύχθηκε από την Google. To νέο μοντέλο έχει ξεπεράσει τα άλλα εργαλεία που βασίζονται στην τεχνητή νοημοσύνη για την πρόβλεψη καιρικών συνθηκών και μακροπρόθεσμων τάσεων του κλίματος.
Η μηχανική μάθηση αποτελούσε την τεχνολογία αιχμής στον τομέα της τεχνητής νοημοσύνης πριν την εμφάνιση της γενετικής νοημοσύνης (προγράμματα τύπου ChatGPT) που έφεραν επανάσταση στη βιομηχανία της τεχνολογίας αλλά και το τελευταίο χρονικό διάστημα η μηχανική μάθηση έχει αρχίσει να αποτελεί και πάλι εργαλείο έρευνας και ανάπτυξης τεχνολογιών ΑΙ.
Για την ακρίβεια έχει κάνει την εμφάνιση της μια νέα ακόμη πιο εξελιγμένη εκδοχή της μηχανικής μάθησης που ονομάστηκε «βαθιά μάθηση» η οποία αρχίζει να κερδίζει ολοένα και περισσότερο έδαφος στη βιομηχανία της τεχνολογίας.
Το μοντέλο αυτό που παρουσιάζεται στην επιθεώρηση «Nature» είναι το πρώτο που δημιουργεί ακριβείς συνολικές προβλέψεις καιρού.
Η ανάπτυξη του ανοίγει την πόρτα για προβλέψεις που είναι ταχύτερες και λιγότερο ενεργοβόρες από τα υπάρχοντα εργαλεία και πιο λεπτομερείς από προσεγγίσεις που βασίζονται αποκλειστικά στην τεχνητή νοημοσύνη.
«Τα παραδοσιακά κλιματικά μοντέλα πρέπει να εκτελούνται σε υπερυπολογιστές. Αυτό είναι ένα μοντέλο που μπορείτε να τρέξετε μέσα σε λίγα λεπτά», αναφέρει ο Στίβεν Χόγιερ, ερευνητής στον τομέα της βαθιάς μάθησης της Google εκ των επικεφαλής της ομάδας που ανέπτυξε το νέο μοντέλο.
Η τεχνητή νοημοσύνη βελτιώνει τις κλιματικές προβλέψεις
Τα τρέχοντα συστήματα πρόβλεψης βασίζονται συνήθως σε μοντέλα γενικής ανάλυσης κλιματικών διεργασιών (GCM), προγράμματα που βασίζονται στους νόμους της φυσικής για να προσομοιώνουν διεργασίες στους ωκεανούς και την ατμόσφαιρα της Γης και να προβλέψουν πώς μπορεί να επηρεάσουν τον καιρό και το κλίμα.
Τα μοντέλα GCM απαιτούν μεγάλη υπολογιστική ισχύ και οι εξελίξεις στον κλάδο μηχανική μάθηση έχουν αρχίσει να παρέχουν μια πιο αποτελεσματική εναλλακτική λύση. «Έχουμε terabyte ή petabyte (ένα εκατομμύριο φορές μεγαλύτερα από ένα gigabyte) ιστορικών καιρικών δεδομένων. Μαθαίνοντας από αυτά τα μοτίβα, μπορούμε να δημιουργήσουμε καλύτερα μοντέλα», αναφέρει ο Χόγιερ.
Υπάρχουν ήδη ορισμένα διαθέσιμα μοντέλα πρόβλεψης μηχανικής μάθησης, όπως το Pangu-Weather, που κατασκευάστηκε από τον κινεζικό τεχνολογικό όμιλο Huawei και το GraphCast από την DeepMind, μια εταιρεία ανάπτυξης τεχνολογιών τεχνητής νοημοσύνης με έδρα το Λονδίνο που εξαγόρασε το 2014 η Google. Αυτά τα μοντέλα έχουν παρόμοια επίπεδα ακρίβειας με τα τυπικά GCM για ντετερμινιστικoύ χαρακτήρα προβλέψεις που δημιουργούν μια ενιαία πρόγνωση καιρού. Αλλά τα GCM δεν είναι τόσο αξιόπιστα για σύνθετες ή μακροπρόθεσμες προβλέψεις για το κλίμα.
«Το πρόβλημα με τις καθαρές προσεγγίσεις μηχανικής μάθησης είναι ότι εκπαιδεύεις ένα σύστημα μόνο σε δεδομένα γεγονότων που έχουν ήδη συμβεί. Το κλίμα αλλάζει συνεχώς, πηγαίνουμε στο άγνωστο, επομένως τα μοντέλα μηχανικής μάθησης πρέπει να επεκταθούν σε αυτό το άγνωστο μέλλον. Εισάγοντας τη φυσική στο μοντέλο, μπορούμε να διασφαλίσουμε ότι τα μοντέλα μας είναι διαθέτουν φυσικούς περιορισμούς και δεν θα μπορούν να κάνουν τίποτα που να είναι μη ρεαλιστικό» λέει ο Σκοτ Χόσκιγκ που ερευνά δεδομένα τεχνητής νοημοσύνης και περιβάλλοντος στο Ινστιτούτο Άλαν Τούρινγκ στο Λονδίνο.
Σημαντική ανακάλυψη στον πλανήτη Άρη: Η NASA βρήκε πέτρωμα που ίσως περιέχει ενδείξεις για αρχαία ζωή
Βραζιλία: Καρχαρίες βρέθηκαν θετικοί στην… κοκαΐνη – Οι πιθανές εξηγήσεις
Ακολουθήστε το Lykavitos.gr στο Google News
και μάθετε πρώτοι όλες τις ειδήσεις
